Gonzalez JD Tesistrafico Peatones

Estudio de modelos para trfico peatonal y su
aplicacin a pasillos en diferentes escenarios

Tesis que presenta
Jorge Daniel Gonzlez Arostico
Para obtener el grado de
Maestro en Ciencias
(Matemticas Aplicadas e Industriales)
Directora de Tesis: Dra. Mara Luisa Sandoval Sols
Sinodales
Presidente: Dr. Joaqun Delgado Fernandez UAM-I
Secretaria: Dr. Patricia Saavedra Barrera UAM-I
Vocal: Dra. Mara Elena Lrraga Ramrez UNAM
Divisin de Ciencias Bsicas e Ingeniera

Departamento de Matemticas
Mxico, D.F., a 13 de diciembre del 2011.

Universidad Autnoma Metropolitana
Divisin de Ciencias Bsicas e Ingeniera

Departamento de Matemticas
Estudio de modelos para trfico peatonal y

su aplicacin a pasillos en diferentes
escenarios
T E S I S
que para obtener el grado de:
Maestro en Ciencias
(Matemticas Aplicadas e Industriales)
P R E S E N T A:
Directora de Tesis: Dra. Mara Luisa Sandoval Sols
Mxico, D.F., a 13 de diciembre del 2011.

Agradecimientos
En primer lugar agradezco a la Dra. Mara Luisa Sandoval Sols el apoyo que me brind como directora
de tesis. Le agradezco su disponibilidad y calidad de sus observaciones y sugerencias. Asimismo agradezco
al Dr. Joaqun Delgado, la Dra. Patricia Saavedra y la Dra. Mara E. Lrraga por haber revisado y
proporcionado valiosos comentarios para la mejora de esta tesis.
Tambin agradezco a mi novia Tania y mis amigos Christian y Luis Omar que siempre estuvieron
conmigo y me apoyaron en todo momento.
Finalmente agradezco al proyecto Modelos matemticos para mejorar la operacin de la Red del STC
de fondo Mixtos ICyTDF-CONACYT por el apoyo econmico.
Mxico, DF., Diciembre de 2011.

v
vi
Dedicatoria
Esta tesis esta dedicada a mi preciosa madre.
No es la mano gentil de tu madre la que corre las cortinas, y

la dulce voz de tu madre la que te anima a levantarte y olvidar,
bajo el sol brillante, los sueos horribles que tanto te asustaron
cuando todo estaba en tinieblas?
Lewis Carroll
Alicia en el Pais de las Maravillas
vii
viii
ndice general
ix
x NDICE GENERAL
CAPITULO 1
Introduccin
Las zonas o entornos peatonales son espacios pblicos o privados destinados al trnsito de personas a
pie, tales como los pasillos del metro, centros comerciales, parques, aeropuertos, terminal de autobuses,
centros de diversin, etc. En ocasiones estos lugares llegan a congestionarse debido a la gran demanda
que tienen. Esto pone en riesgo la integridad fsica de las personas, ya sea en condiciones normales o en
presencia de alguna emergencia donde sea necesario evacuar el inmueble.
El anlisis del flujo peatonal no es algo nuevo, especialmente en el mbito de la planificacin de edificios
y la proteccin contra incendios e incluso en el transporte, tradicionalmente ha sido enfocado mediante
valores empricos de carcter analtico como el nivel de capacidades o el diseo de estructuras.
El estudio del trfico peatonal es importante para simular las posibles trayectoria que podra seguir
los peatones ayudando as a evitar desastres durante situaciones de pnico y evacuaciones. Zainuddin et
al. [?] y Sarmady et al. [?] realizaron un estudio en el Masjidal-Haram es el primer lugar santo de islam.
En su centro se encuentra la Kaaba. Durante el Hajj y Umrah, los musulmanes han de circunvalar la
Kaaba siete veces, en sentido antihorario. Este crculo se hace para demostrar la unidad de los creyentes
en el culto del Dios nico. El objetivo de ambos trabajos es mejorar el problema del congestionamiento
de personas en este lugar. El resultado del estudio sugiere varias medidas de mitigacin para solucionar
el problema de congestin.
Actualmente algunos pases han incluido el anlisis del trfico peatonal en la planeacin de construc-
ciones obteniendo como resultado mejorar notablemente las condiciones de transporte y el movimiento de
personas. Tal es el caso de China en los juegos olmpicos [?], donde registr 7-9 millones de espectadores y
10 mil atletas de 205 pases. El metro adopt una serie de medidas para asegurar la fluidez del trfico, el
cual incluy un diseo especfico de horarios de trenes y la ampliacin de la operacin. El resultado indica
que la influencia sobre el volumen de personas que asistieron a los juegos olmpicos est significativamente
asociado con el diseo del estadio olmpico.
Para mejorar el servicio y las condiciones en las zonas peatonales, primero se debe de entender el
comportamiento de las personas dentro de estas instalaciones. Los estudios relacionados con el trfico
peatonal proporcionan una herramienta para la planeacin y diseo de las mismas. De esta manera
el rendimiento de las zonas peatonales aumentara notablemente, en trminos de eficacia, seguridad y
comodidad. En general, los estudios se dividen en: recoleccin de datos y anlisis de estos. En la recoleccin
de datos, se recopila informacin acerca de las caractersticas individuales de la poblacin en estudio,
posteriormente esta informacin alimenta y valida la parte del anlisis [?].
1
2 Captulo 1. Introduccin
(a) (b)
Figura 1.1: Metro de la Ciudad de Mxico: (a) Estacin de correspondencia Salto del agua y (b) Centro
mdico.
Las caractersticas del trfico peatonal se dividen en: microscpicas y macroscpicas. El nivel mi-
croscpico involucra caractersticas individuales de los peatones, tales como sexo, edad, peso, velocidad1 ,
etc. [?]. Por otro lado, la escala macroscpica toma en cuenta la las caractersticas promedio de un conjun-
to de personas en una rea fija: velocidad promedio, densidad promedio, etc. Existe una escala intermedia
llamada mesoscpica, la cual se enfoca en las caractersticas de los grupos de personas.
Podramos pensar que el movimiento de los peatones no tiene un orden pero s un motivo y propsito,
en este sentido se han realizado trabajos a nivel microscpico [?, ?] que muestran ciertos patrones en el
flujo peatonal, ver figura ??.
En contraste a un peatn que camina solo en un pasillo, el aumento del nmero de personas en las insta-
laciones incrementa los problemas de interaccin. Los estudios a nivel microscpico tratan a cada peatn
individualmente y analizan el comportamiento interactivo entre las personas, en estos casos el peatn
se puede modelar como una partcula. Para densidades grandes de personas los modelos macroscpicos
tratan a los peatones como un fluido. De otra forma, el estudio no sera el adecuado para casos con bajas
densidades de personas.
Por otra parte, el comportamiento de los peatones se describe en tres niveles: estratgico, tctico y
operativo [?, ?].
1. Estratgico: las personas deciden una lista de actividades que desean realizar. Sin tener en cuenta
su importancia, como por ejemplo, comprar boletos del metro y comprar el peridico.
2. Tctico: dadas las decisiones en el nivel estratgico, el nivel tctico se refiere a las decisiones a
corto plazo. Los peatones determinan el orden de las actividades en la lista que desean ejecutar. El
orden depender de la importancia de la actividad. Incluso pueden prescindir de actividades que no
puedan ser completadas dentro del tiempo que disponen. Por ltimo, se determina una ruta, con
metas intermedias y destino.
3. Operativo: ejecuta las decisiones instantneas acorde a lo planeado en el nivel tctico.

1
Debido a que cada peatn tiene diferente velocidad al caminar esta se toma como una caracterstica individual
3
Helbing [?] menciona que el comportamiento inicia con una estimulacin seguida de un proceso mental,
que finalmente culmina en una reaccin. Estos estudios nos dicen que es posible comprender y por lo tanto
modelar el comportamiento de los peatones. Hallar modelos que emulen el movimiento de los peatones ha
sido tema de muchos investigadores [?, ?, ?, ?, ?, ?].
Una de las caractersticas que rige el comportamiento de los peatones es el efecto territorial que se
manifiestan cuando las personas se mantienen alejadas unas de otras. Esta caracterstica es el tema
de investigacin de los socilogos y antroplogos desde hace mucho tiempo. En 1959, Edward Hall [?],
introduce el trmino proxmica 2 , que describe los cuatro tipos de distancias interpersonales: distancia
ntima, personal, social, pblica. Helbing [?], menciona que los peatones sienten incomodidad al caminar
cerca de otra persona. Esta incomodidad se incrementa de acuerdo a la distancia que existe entre los
individuos. Claro est que los rangos de interaccin dependen del tipo de regin y/o cultura. Por ejemplo,
se ha observado que los asiticos requieren menos espacio y son ms tolerantes a la invasin del espacio
personal. Otro aspecto que han observado los investigadores es que los peatones con frecuencia revisan su
entorno, casi siempre inconscientemente, a esto se le llama escaneo, de esta manera evitan obstrucciones
a otras personas. Este escaneo es diferente en mujeres que en hombres, las mujeres pasan ms tiempo
escaneando el camino que los hombres. El escaneo se aplica para describir la interaccin con otros peatones.
Existen dos tipos de momentos para que ocurra el encuentro entre dos personas.
Emisin de signo crtico: la comunicacin entre peatones permite que cada persona d a conocer el
movimiento a realizar. Esta comunicacin consiste de movimientos muy sutiles (movimiento de
hombros, cabeza, mirada, etc.).
Establecimiento del momento: este punto describe el reconocimiento de ambas partes de las emisiones
de signo crtico.
Hoogendorn et al. [?] introducen la teora acerca del comportamiento de auto-organizacin de las
personas dentro del trfico peatonal. Esta teora se refiere al principio del menor esfuerzo, se basa en la
suposicin de que el objetivo de los peatones es minimizar su desutilidad 3 al caminar, ya sea acelerando,
frenando, cambiando de direccin, etc.
El caso especifico de flujo unidirecional donde todos lo peatones tienen las mismas condiciones fsicas
(velocidad, talla, etc.), la distribucin de estos sobre el pasillo tiende a ser homognea, estas condiciones
restringen a las personas a no rebasarse entre s. Este resultado muestra un patrn donde los peatones
permanecen detrs de otros formando capas que se superponen parcialmente, es decir, hileras escalonadas
de personas. A este tipo de flujo se le llama flujo homogneo.
Para el caso de un flujo heterogneo (con respecto a la velocidad deseada) el cambio de velocidad o
de direccin puede mejorar las condiciones individuales de los peatones. Estos pueden rebasar a otros,
siempre y cuando, esto conlleve a una mejora substancial de su situacin actual. Sin embargo, si tal
beneficio no es suficiente entonces el peatn optar por disminuir su velocidad. La desutilidad producida
por la disminucin de la velocidad es compensada mediante la reduccin de la probabilidad de colisionar
con otras personas u obstculos. Dependiendo de la poblacin, para un flujo unidirecional heterogneo, la
teora predice la formacin de grupos con flujos homogneos caminando con una misma velocidad.
En un flujo bidireccional, este tipo de fenmenos ocurre con mayor frecuencia, lo peatones intensifican
la bsqueda de espacios donde puedan moverse, tratando de minimizar su desutilidad. De acuerdo a sto
2
El trmino proxmica describe las distancias medibles entre las personas mientras estas interaccionan entre s.
3
Desutilidad concepto usado en microeconoma y teora econmica que significa utilidad negativa. Molestia, dao o
satisfaccin negativa que produce un cierto bien o servicio.
los peatones comienzan a integrarse en una misma lnea caminando detrs de otra persona que lleva la
misma direccin que l, este patrn es conocido como la formacin de lneas dinmicas. La situacin
ptima del flujo bidireccional es cuando las lneas con misma direccin se agrupan en una corriente de
flujo dividiendo as el pasillo en dos regiones. La friccin de estas corrientes se produce slo en la frontera
donde interactuan los peatones con direccin contraria, de esta manera el flujo dentro del pasillo es mayor,
en comparacin con las lneas dinmicas dispersas por el pasillo. Este tipo de patrones surgen en cruces de
pasillos, formando estructuras homogneas, presentndose como lneas diagonales. Estas formas plantean
una situacin en la cual el sistema tiene la menor desutilidad colectiva.
Es interesante observar que dependiendo del pas, las corrientes de lneas dinmicas tienden a formarse
del mismo lado donde los automviles circulan, por ejemplo en Mxico los automovilistas eligen el lado
derecho en un va de doble sentido igual que las personas.
Una vez que hemos llegado a comprender los aspectos ms importantes del comportamiento peatonal
podremos desarrollar modelos que reproduzcan el movimiento de los mismos. De esta manera analizaremos
las estructuras antes de ser construidas o modificar las ya existentes. Este tipo de anlisis reduce costos
de remodelacin y ayudan a aplicar polticas en instalaciones sin tener que recurrir al costoso mtodo de
prueba y error.
A continuacin se enuncian los principales modelos para trfico peatonal:
1. Modelos discretos: son aquellos que por lo regular son discretos tanto en el tiempo como en el
espacio [?]. Modelan al peatn como una entidad que actualiza su posicin mediante una funcin
[?, ?, ?]:
xt+1 = f (xt , ) (1.1)
donde xt es el vector de estado al tiempo t y son los parmetros del modelo. La principal ventaja
de estos modelos es la rapidez con la que se realizan los clculos de actualizacin de posicin. Sin
embargo, la desventaja radica en que al tratar con una cantidad grande de peatones (miles), stos
agotan rpidamente la memoria de la computadora.
2. Modelos continuos: se caracterizan por definir la posicin mediante una funcin continua en
el tiempo. La mayora de estos modelos se basan en fuerzas y la posicin se determina mediante
ecuaciones diferenciales [?, ?, ?, ?, ?]:
dx
= f (x(t), ) (1.2)
dt
donde la trayectoria x(t) es calculada usando mtodos de integracin numrica. Comnmente re-
quieren tomar valores relativamente pequeos para el paso de tiempo t, para asegurar estabilidad.
3. Modelos basados en agentes: se trata de entidades con un comportamiento propio. Desarrollados

en el contexto de inteligencia artificial. La modelacin basada en agentes tiene un amplio uso en
la simulacin del trfico peatonal. Proporciona una gran flexibilidad, ya que el comportamiento de
cada elemento en el sistema puede ser modelado independientemente y puede capturar interacciones
complejas. Por ejemplo, en el trfico peatonal cada persona es un agente y su comportamiento puede
modelarse como una secuencia de elecciones especficas, tal como elegir un destino, un itinerario,
una direccin general o donde colocar el siguiente paso [?].
5
4. Modelos de colas basados en eventos de entradas y salidas. Estos calculan el nivel de servicio
en taquillas, torniquetes, puertas, subidas y ajadas de vehculos y otros lugares donde las personas
esperan recibir algn tipo de servicio. Aunque estos modelos no son apropiados para capturar la
dinmica peatonal comnmente son utilizados para la simulacin de evacuaciones puesto que no
toman en cuenta la geometra de edificios y obstculos [?, ?].
5. Modelos hbridos: combinan las ventajas de los modelos discretos y de los continuos [?, ?, ?, ?, ?]
y en su mayora utilizan un enfoque basado en agentes. El objetivo de estos modelos es realizar
simulaciones de cantidades grandes de personas en extensas reas.
En este trabajo se estudiarn dos tipos de modelos microscpicos: el modelo de fuerza social de tipo
continuo y el modelo de autmata celular de tipo discreto.
Por otro lado, si observamos el movimiento de personas desde una gran altura, podramos notar su
semejanza con un flujo de un lquido que circula a travs de un conducto a un nivel macroscpico. Por lo
que el flujo de peatones puede describirse en trminos de las variables siguientes: la densidad promedio
(nmero de personas por metro cuadrado), la velocidad v promedio y el flujo q (nmero de personas en una
rea definida). El diagrama fundamental es una curva que relaciona flujo q con la densidad , ver figura
??. Observemos que en densidades pequeas, el flujo se incrementa linealmente junto con la densidad.
Por el contrario, conforme la densidad aumenta, es natural que las personas comiencen a estorbarse cada
vez ms, provocando que comience a disminuir el flujo de personas, la distancia entre los peatones y la
velocidad. En el diagrama fundamental se usan tres tipo de representaciones: flujo-densidad, velocidad-
densidad y velocidad-flujo. Estas relaciones representan la misma informacin por lo que a partir de una
relacin se puede deducir los otros dos. El flujo se obtiene multiplicando la velocidad por la densidad
q() = v. (1.3)
Recordemos que la velocidad es un vector v con direccin, sentido y magnitud. Donde la rapidez es la
magnitud del vector4 , ||v|| = v. Existen varios diagramas fundamentales, uno de los ms citados es el
dado por Weidmann [?] para un movimiento unidireccional de peatones sobre un pasillo. La expresin
matemtica para el flujo se obtuvo a partir de un ajuste de datos empricos.
( 1 1
)
v() = vf ree (1 e max ) (1.4)
donde es un parmetro de ajuste, vf ree velocidad sobre un flujo libre, max es la densidad mxima donde
no hay flujo y es la densidad actual. Estudios empricos muestran que el mejor resultado se obtiene con
= 1.913, vf ree = 1.34 (metro por segundo) y max = 5.4 (personas por metro cuadrado) para una
poblacin alemana. Cabe mencionar que estos valores son para flujos con densidades relativamente bajas
en condiciones normales y no en casos de emergencia.
Algunos puntos especiales del diagrama [?], como se muestra en la figura ?? son:
Flujo libre vf ree . Es la velocidad promedio si q() = 0 P/ms (P: personas) y = 0 P/m2 , es decir,
es igual a la pendiente de la funcin q() en el origen. Los peatones no se ven afectados por ninguna
interrupcin en su camino y pueden ir a su velocidad deseada. La velocidad de la pendiente de la
recta que uno los puntos (p, q()) y el origen.
4
Denotaremos a los vectores en negritas
Flujo crtico qc . Es el flujo mximo. Debido a la relacin entre densidad y velocidad, el flujo mximo
no quiere decir que se alcanza en la velocidad mximas.
Densidad crtica c es la densidad cuando q(c ) = qc .
Densidad de embotellamiento j . Ocurre cuando la velocidad v = 0 m/s y q(j ) = 0.
Regin estable, para < c , los peatones avanzan a una velocidad libre.
Regin inestable, se forma cuando la velocidad decrece con el incremento de la densidad, es decir,
para todas las velocidades en > c .
Regin de congestin, es cuando > c .
vf ree vc
qc
Flujo (P/m/s)
Estable Inestable
Flujo libre Congestin
c j
Densidad (P/m2 )
Figura 1.2: Diagrama fundamental sobre un pasillo de Weidmann: Flujo vs densidad
En particular, la calibracin de los modelos de simulacin del trfico peatonal se realiza ajustando los
parmetros de tal manera que los resultados obtenidos se acerquen a algn diagrama fundamental. Una
vez que el modelo sea calibrado se puede predecir el nivel de servicio de alguna estructura en particular
y en consecuencia tomar la medidas necesarias para optimizar el nivel de servicio.
Antes de emitir algn resultado del anlisis completo de estudio, debemos comprender y reproducir
los patrones que se han observado en el trfico peatonal. En las ltimas dcadas muchos investigadores e
ingenieros han enfocado su esfuerzo en desarrollar modelos que sean capaces de reproducir los patrones
del comportamiento de las personas.
A pesar de que en la actualidad existen diversos modelos y paquetes aplicados a la simulacin del
trfico peatonal, la mayora de stos han sido realizados en poblaciones europeas y asiticas, ver Anexo
B. Mxico por su parte, debe planear y disear instalaciones utilizando como una herramienta el estudio
del trfico peatonal, de otra forma llegar a un punto en que no podr controlar la afluencia de personas,
lo cual podra resultar en desastres.
1.1 Objetivos 7
Esta investigacin es motivada y financiada por el proyecto Modelos matemticos para mejorar la
operacin de la Red del STC de fondos Mixtos ICyTDF-CONACYT.
Nuestro fin es introducirnos al campo de la modelacin y simulacin del trfico peatonal con el objeto
de proporcionar herramientas tiles para mejorar el trnsito de las personas en las estaciones de corres-
pondencia y terminales de la Red del STC Metro. Para ello, nos centraremos en el estudio del movimiento
de peatones sobre pasillos, cruce de corredores y cuellos de botella (escaleras, puertas, reducciones y
ampliaciones de pasillos, esquinas, fuentes, etc.). Sin perder de vista los patrones colectivos observados en
las ltimas dcadas: lneas dinmicas, lneas diagonales, oscilaciones en puertas, etc.
1.1. Objetivos
El propsito principal de la tesis es estudiar diversos modelos de trfico peatonal con el fin de simular
el comportamiento de las personas en pasillos con o sin cuellos de botella cuando los peatones no estn
en situacin de pnico. Para ello, los objetivos particulares son:
1. Estudiar dos tipos de modelos microscpicos: los modelos de fuerza social y los de autmata celular
(AC).
2. Reproducir los patrones colectivos que se han observado sobre pasillos (lneas dinmicas, diagonales,
etc.)
3. Proponer y evaluar un modelo de AC llamado campo social capaz de reproducir las lneas dinmicas
y representar la distancia social de las personas.
1.2. Estructura de la tesis
La estructura temtica del texto es la siguiente. En el captulo 2 se explican las caractersticas del
modelo de fuerza social y una modificacin al modelo introduciendo fuerzas granulares, este ltimo con
el fin de reproducir el diagrama fundamental de Weidmann. Este modelo contiene fuerzas granulares. Se
presentan simulaciones en diferentes escenarios: pasillos con y sin obstculos, ampliaciones y reducciones,
cruces de corredores, puertas, etc.
En el captulo 3 se recopilan los modelos de autmatas celulares para trfico peatonal ms relevantes
hasta el momento, detallando las caractersticas de cada modelo. Tambin mostramos diversas simula-
ciones en pasillos uni y bidirecionales utilizando los dos modelos de autmata celular implementados.
En el captulo 4 presentamos nuestra propuesta, llamada modelo de campo social, basada en autmatas
celulares. Este modelo se propuso con el fin de generar los patrones formados en el flujo peatonal y lograr
una distancia social entre personas, debido a que en otros trabajos de AC estos dos factores no se han
podido reproducir adecuadamente.
En el captulo 5 daremos las conclusiones para los dos enfoques estudiados y proponemos algunos
puntos para trabajo futuro.
El Anexo A proporciona los programas fuentes para un pasillo y una puerta usando el modelo de fuerza
social y otros dos programas usando un modelo de autmatas celulares. En cada uno de ellos se describen
las funciones que utilizan y el programa principal.
Finalmente, en el Anexo B se presenta una recopilacin de paquetes de simulacin de trfico peatonal

en condiciones normales y/o de emergencia.
CAPITULO 2
Modelo de fuerza social
2.1. Introduccin
El modelo de fuerza social, desarrollado por Helbing et al.[?], describe el comportamiento de los
peatones al caminar. Se apoya en la modelacin de los cambios de conducta propuesta por Lewin [?].
De acuerdo a esta idea, los cambios del comportamiento son inducidos por los llamados campos sociales
o fuerzas sociales. Sobre esta hiptesis se formula el modelo matemtico donde las fuerzas (sociales)
externas actan sobre el peatn de tal manera que es motivado a moverse. El cambio de conducta estn-
dar de los peatones es un proceso que generalmente inicia con una estimulacin, que inducir un proceso
mental, lo que finalmente provocar una reaccin al moverse.
1. Estimulacin. Es la primera fase, depende de los objetivos personales que se desean alcanzar, de
la situacin y de la percepcin del entorno que rodea al peatn.
2. Proceso mental. En esta fase se evalan las alternativas y se toman las decisiones, incluyendo
la secuencia en que sern ejecutadas. Estas decisiones se determinan bsicamente con el fin de
minimizar el tiempo, la distancia o aumentar la comodidad, incluso una combinacin de ellas.
3. Reaccin. Una vez dada la secuencia de decisiones en el proceso mental, el peatn reacciona
movindose al ejecutar cada una de las decisiones. As el movimiento (aceleracin, desaceleracin,
direccin) del peatn es determinado, entre otras cosas, por el siguiente objetivo y la interaccin
con otras personas u objetos (paredes, obstculos, etc).
2.1.1. Observaciones
Investigadores han estudiado video filmaciones del flujo peatonal y han descubierto patrones sobre la
conducta individual que presentan los peatones en situaciones normales o de pnico.
Situaciones normales
Las situaciones normales (comportamiento cooperativo) con frecuencia se presentan cuando las per-
sonas realizan sus actividades planeadas con anticipacin y actan de manera natural sin ser guiadas por
el pnico. Algunos patrones son:
9
10 Captulo 2. Modelo de fuerza social
1. Las personas caminan siempre con direccin deseada, hasta su objetivo. Rechazan la idea de moverse
en direccin contraria a su direccin.
2. Con frecuencia los peatones eligen la ruta ms rpida a su destino sin importar que sea la ms corta
las ms cmoda. La trayectoria que forma su recorrido se aproxima a un polgono.
3. Siempre tratan de minimizar su esfuerzo para llegar a su destino.
4. La velocidad deseada individual corresponde a la velocidad ms cmoda para caminar (que consuma
la menor energa), de tal manera que el peatn alcance su objetivo a tiempo. Esta velocidad depende
de la situacin, sexo, edad, horario del da, propsito del viaje, etc.
5. Los peatones mantienen una distancia tanto a otras personas como a los bordes (calles, paredes y
obstculos). Esta distancia disminuye cuando la densidad de personas aumenta.
6. En lugares atractivos (pantallas electrnicas, ventanas, aparadores, etc.) con frecuencia hay mayor
concentracin de personas. Lo mismo ocurre cuando las personas se conocen entre s, puesto que se
van formando grupos.
La mayora de las veces los turistas y nios perdidos no cuentan con unas estrategia ptima de
movimiento debido a que no estn relacionados con el entorno que los rodea, lo que lleva a que oscilen de
un lugar a otro o regresen sobre sus pasos.
Situaciones de pnico
Las situaciones de pnico (comportamiento competitivo) se presentan cuando existe algn tipo de
emergencias, tal como incendios, sismos u otra situacin donde la integridad fsica se vea amenazada. En
estas situaciones se observa un comportamiento colectivo guiado por el pnico.
1. Con frecuencia las personas se ponen nerviosas y algunas veces actan de manera irracional, movin-
dose lo ms rpido como sea posible.
2. La interaccin entre personas es de naturaleza fsica, empujndose unas a otras.
3. La presin que se registra en los atascos de personas alcanzan los 4500 Newtons por metro cuadrado,
esto derrumbara una pared o doblara barras de acero.
4. En las salidas hay una disminucin del flujo debido a las personas heridas o que estn en el suelo.
5. Surge el efecto rebao cuando las personas hacen lo mismo que aquellas que estn enfrente. La ma-
yora de las veces este efecto provoca que las personas no tomen en cuenta las salidas de emergencia,
concentrando su atencin en las salidas principales.
Sin embargo, a pesar de lo anterior, todava no se cuenta con modelos que describen exactamente el
comportamiento de los peatones; primero porque los individuos pueden encontrarse con situaciones no
estndares, es decir, cuando actan compulsivamente. Segundo puede ser que an no han aprendido una
estrategia ptima, ya que no conocen otros caminos o se distraen con facilidad con el entorno que los
rodea. Tercero, todas las conductas humanas muestran un grado de imperfeccin o irregularidad. Estas
razones llevan a una desviacin del comportamiento ptimo, la cuales se manejan como fluctuaciones de
la conducta. Cabe mencionar que nuestro estudio, en su mayora, se concentra en situaciones normales.
2.1 Introduccin 11
Analoga con gases, fluidos y medios granulares
En densidades bajas, los peatones pueden moverse libremente y en multitudes se puede comparar con el
comportamiento de los gases. En cambio, en densidades medianas, el movimiento de los peatones muestra
sorprendentes analogas con el movimiento de fluidos y flujos granulares:
1. Las huellas de los peatones son similares a las lneas de corrientes en fluidos.
2. Entre flujos bidireccionales se observa un contacto un tanto viscoso.
3. La aparicin de corrientes de flujo en multitudes de personas son anlogas a los lechos de ros.
4. Similar al fenmeno de segregacin o estratificacin en medios granulares, los peatones se organizan

en lneas caminando en direccin uniforme.
5. En cuellos de botella (puertas, reduccin de pasillos, escaleras) el paso del peatn es oscilatorio.
Comparado con un reloj de arena.
6. La propagacin ondas de choque en multitudes de personas empujndose hacia delante.
7. La obstruccin de salidas, en multitudes en pnico, es similar a la salida de medios granulares a

travs de pequeas salidas.
En resumen, podramos decir que las analogas con la dinmica de fluidos funcionan en situaciones
normales, mientras que los aspectos granulares son importantes en situaciones de pnico.
2.1.2. Ideas bsicas
Leyes de Newton
Debido a que el modelo de fuerza social considera las fuerzas exteriores ejercidas sobre un peatn. Se
utilizan las principales leyes de la dinmica para describirlas. La primera ley de Newton se enuncia como:
Un cuerpo en reposo o en movimiento rectilneo uniforme per-

manecer as a menos que se vea forzado al cambio debido a la
aplicacin de una fuerza externa.
Es decir, ningn cuerpo por si solo puede modificar su estado por lo que requiere la manifestacin de
una fuerza que actu sobre l. Asimismo en el modelo de fuerza social, el peatn cambia su movimiento
rectilneo debido a las fuerzas exteriores, las cuales son ejercidas desde los objetos que se encuentran en
su entorno, como por ejemplo los obstculos, puertas, fuentes, plantas, etc. que estn en su camino.
La segunda ley de Newton dice
Cuando a un cuerpo se le aplica una fuerza constante, la ace-

leracin resultante es proporcional a la fuerza neta que acta
sobre l e inversamente proporcional a su masa.
La cual se refiere a los cambios en la velocidad que sufre un determinado cuerpo cuando recibe una fuerza,
es decir, cuanto mayor se la magnitud de la fuerza aplicada, mayor ser la aceleracin. Lo mismo pasa
con el peatn, las fuerzas externas ejercidas sobre l, ocasionan que est reduzca o aumente su velocidad
provocando una aceleracin o desaceleracin.
Finalmente, la tercera ley se expresa como
A todo fuerza de accin se opone otra de igual magnitud en la

misma direccin pero en sentido contrario.
A diferencia de las otras leyes donde se hace referencia al comportamiento de un slo cuerpo, la tercera
ley implica dos cuerpos distintos. Sin embargo, esta ley no es vlida en el modelo de fuerza social debido
a que las fuerzas exteriores son ejercidas sobre el peatn en un slo sentido y no existe otra fuerza que el
peatn ejerza en sentido contrario, sobre todo de la misma magnitud.
2.2. Modelo
Tomando en cuenta lo mencionado anteriormente, el modelo de fuerza social describe cmo las fuerzas
exteriores de su entorno, como paredes, obstculos, personas, etc. influyen en el movimiento de un peatn.
Adems los objetivos personales definen una fuerza que dirige al peatn a objetivos intermedios hasta
llegar a su destino final. El modelo es continuo en el tiempo y en el espacio, cuya ecuacin de movimiento
es una EDO para cada peatn usando la segunda ley de Newton
dv (t)
m = FT + , (2.1)
dt
donde = 1, 2, . . . indica el peatn; es un trmino de fluctuacin que representa las variaciones aleato-
rias del comportamiento. Estas fluctuaciones se derivan de situaciones donde las personas se alejan de
su comportamiento usual. El trmino FT representa el efecto del entorno que influye sobre el compor-
tamiento del peatn y est dado por
X X X
FT = F + Fw + Fg + F , (2.2)
w g 6=
donde F denota la fuerza de movimiento en direccin al siguiente objetivo intermedio, F representa la

fuerza ejercida por el peatn sobre el peatn , Fw define la fuerza ejercida por el objeto w (paredes,
fuentes, plantas, etc) sobre el peatn . Finalmente Fg representa una fuerza de atraccin a personas u
objetos. A F , Fw y Fg se les llaman fuerzas socio-psicolgicas. Cada una de las fuerzas anteriores se
describen a continuacin.
2.2.1. Fuerza de movimiento
La fuerza de movimiento supone que el peatn con masa m desea moverse en una direccin e
con una velocidad vd considerada como deseada, sin embargo sta se adapta a la velocidad real v (t) al
tiempo t, con un parmetro de relajacin constante ,
2.2 Modelo 13
vd v (t)

F = m . (2.3)

Para describir la velocidad deseada debemos ver ciertos aspectos. Primero, suponemos que los objetivos
intermedios son {x1 , x2 , . . . , xk , xk+1 N
, . . . , x } tales como puertas, cruce de pasillos, cuellos de botella o
lugares donde el peatn debe llegar para al calzar su objetivo final xN . La direccin que el peatn debe
tomar para alcanzar el objetivo intermedio xk esta dada por
xk x (t)
e (t) = . (2.4)
||xk x (t)||
Observemos que la trayectoria del peatn forma un polgono tal como se muestra en la figura ??.
El objetivo xk se deber alcanzar en un tiempo T dada su posicin inicial x (t) en el tiempo t. Debido
a que la distancia ||xk x (t)|| se deber recorrer en el tiempo T t, entonces la rapidez deseada que
debe llevar el peatn es
||xk x (t)||
vd = . (2.5)
T t
recordemos que la velocidad v es una cantidad vectorial y la rapidez es la magnitud de la velocidad

v = ||v||. Una vez dada la direccin y la rapidez obtenemos la velocidad deseada con la que se mover el
peatn
||xk x (t)||
vd (t) = e (t) = vd e (t). (2.6)
T t
Sin embargo, la velocidad deseada est sujeta a las capacidades fsicas de las personas, ya que es claro
que una persona no podra recorrer una distancia muy grande en un tiempo muy corto. De modo que la
rapidez est acotada como sigue:
min

v si vd (t) < vmin

vd (t) = vd (t) si vmin < vd (t) < vmax , (2.7)

max
v si vd (t) > vmax
estos parmetros dependen de situaciones tales como la edad, sexo e incluso la cultura, y siguen una
funcin de distribucin que depender del tipo de evento a simular. Por ejemplo, la velocidad de los
peatones que caminan sobre un pasillo se comporta como una funcin de distribucin Gaussiana, la media
y la varianza depender de la poblacin, lugar, horario, etc.
2.2.2. Fuerza de repulsin a muros
La fuerza de repulsin Fw (t) mantienen alejado al peatn de los bordes en las construcciones, tales
como paredes, pilares, etc. Esto se debe a que las personas sienten inseguridad al caminar cerca de los
bordes, ya que pueden lastimarse por estar distrados o por alguna deformidad del borde. La fuerza de
Figura 2.1: Trayectoria poligonal del peatn al alcanzar sus metas intermedias para llegar a su objetivo
final.
repulsin se representa como menos el gradiente de un potencial y por lo tanto se considera como una
fuerza conservativa:
Fw (t) = dw Uw (||dw ||) (2.8)
con dw = x xw el vector distancia entre la posicin actual del peatn x y el punto xw de la pared
(u obstculo) ms cercano al individuo . Uw (d) es un potencial de repulsin que debe ser montono
decreciente. Helbing[?] propone un potencial de la forma
Uw (||dw ||) = m Aw e||dw ||/Bw (2.9)
donde Aw es la intensidad de interaccin entre el borde y al peatn, es decir determina el impacto de la

fuerza externa sobre el peatn y Bw es el rango o distancia de interaccin. En este caso la fuerza de
repulsin a muros tiene la forma

Aw ||dw ||/Bw dw
Fw = m e (2.10)
Bw ||dw ||
2.2.3. Fuerza de atraccin a objetos
La fuerza Fg representa la atraccin que siente el peatn por el lugar g donde se encuentran otras
personas (amigos, conocido, artistas, etc.) u objetos (ventanas, aparadores, locales, etc.). Sin embargo
esta atraccin pierde su efecto despus de un determinado tiempo y l peatn continua su trayecto. Por
lo que los efectos de atraccin pueden ser modelados por un potencial Wg (||dg ||) que sea montono
decreciente representado por
fw (||dg ||) = dg Wg (||dg ||) (2.11)
con dg = x xg . Los efectos de atraccin son, por ejemplo, responsables de formar grupos de peatones
[?]. Luego la fuerza de atraccin esta dada por
Fg (t) = m W (g )fg (||dg ||) (2.12)

2.2 Modelo 15
donde W (g ) es una funcin de peso que depende del ngulo de visin g del peatn . Tanto W como
fg pueden depender de y g. La forma funcional de W se discute en el apartado siguiente.
2.2.4. Fuerza de repulsin entre personas
El movimiento del peatn es influenciado por otras personas debido a que normalmente los peatones
siente incomodidad al caminar cerca de personas desconocidas. Por lo que el individuo reaccionar
mantenindose alejado de otra persona. Observemos que entre ms cerca se encuentren los peatones, su
incomodidad aumenta. De hecho, la distancia determina una esfera particular para cada peatn que ser
su zona de confort, lo cual puede interpretarse como efecto territorial [?]. De esta forma, la fuerza de
repulsin F ejercida por el peatn al peatn se representa por
F (t) = m W ( )g(d (t)) (2.13)
con W ( ) una funcin de peso que depende del ngulo de visin del peatn . La fuerza conservativa
g(d ) representa los efectos de repulsin y est definida por
g(d ) = d V (b(d )) (2.14)
donde V es montona decreciente y depende de la distancia entre los peatones d (t). La forma funcional
de W ( ) refleja el hecho que el movimiento del peatn se ven influenciado por las personas que percibe
dentro de su rango de visin (2 ). Por lo tanto el peatn que lleva una direccin de movimiento e
(vista siempre hacia el frente) evita chocar con las personas que logra ver; y aquellas que se encuentran
fuera de su ngulo de visin slo les da importancia c, con 0 < c < 1:

1 , si e g ||g|| cos( )
W ( ) = (2.15)
c , en otro caso.
Johansson et al. [?] sugieren otra funcin de peso. Proponen que el ngulo formado entre los peatones
y se obtiene a partir del producto interior de e y el vector normalizado de la distancia d , es decir,
d
cos( ) = e ||d
||
, ver figura ??. En este caso
1 + cos( )
W ( ) = + (1 ) . (2.16)
2
Luego la reaccin del peatn a lo que pasa frente a l es ms fuerte que lo que pasa a lado o detrs de
l. El parmetro [0, 1] refleja la fuerza de interaccin entre los peatones que se encuentran a su
alrededor. De modo que si = 0 entonces la influencia del movimiento del peatn depender slo de
los peatones que se encuentra dentro de una ngulo menor a 900 . Ahora bien, si = 1 el peatn se ve
influenciado por todos los peatones a su alrededor. Por otro lado si cos( ) = 1 entonces el peso de la
fuerza de repulsin es de .
La parte ms importante de la fuerza de repulsin entre peatones es g(d ) definida por el potencial
de repulsin que mantiene separadas a las personas y evita que choquen entre ellas. Por la relevancia del
potencial se presentan cuatro especificaciones en el apartado ??.
R
~d
Figura 2.2: lgulo formado entre distancia del y y la direccin de movimiento de .
2.2.5. Tipos de especificaciones
En este apartado se desarrollan cuatro formulaciones para el potencial de repulsin (ecuacin (??)),
las cuales sern de tipo exponencial
V (b ) = A B eb /B , (2.17)
donde A es la intensidad de interaccin entre los peatnes y , y B es el rango de interaccin.

Una diferencia importante entre las formulaciones radica en la forma de la variable b y los diferentes
parmetros de la exponencial a partir de la geometra que se utilice. Y puesto que slo cambia el parmetro
b los efectos de repulsin para las diversas formulaciones se calculan de la misma manera
d
g(d (t)) = d V (b(d )) = V (b )d b (d ). (2.18)
db
Especificacin circular
La primera formulacin y la ms sencilla, se llama especificacin circular, tomando como parmetro

b la distancia que hay entre dos peatones, definida por
b = ||d || R R , (2.19)
donde ||d || es la magnitud del vector distancia, R y R son los radios de los peatones y respecti-
vamente, ver figura ??. Este parmetro resulta ser simtrico respecto a los clculos, es decir, es el mismo
valor tanto para el peatn como para el peatn , por lo que computacionalmente resulta ser muy
eficiente, ya que F (t) = F (t). En este caso, los efectos de repulsin se escriben como

d
g(d (t)) = A eb /B . (2.20)
||d ||
Note que esta formulacin es un modelo isotrpico. Albert Steiner [?] menciona que la especificacin
circular se utiliza por defecto en el paquete SimWalk1 . Por lo tanto la fuerza de repulsin entre personas
tiene la siguiente forma:
d~

1 + cos( )
F (t) = + (1 ) A e(R +R d )/B (2.21)
2 ||d ||
1
SimWalk es un paquete para simular trfico peatonal con un enfoque microscpico
2.2 Modelo 17
x = ae A(0, b ) x= a
e
P (x, y)
Directriz
Directriz
V 0 (a, 0) V (a, 0)
X
F 0 (c, 0) O F (c, 0)
A0 (0, b )
Figura 2.3: Elementos de la elipse donde se basa la especificacin elptica.
Especificacin elptica I
Otra forma geomtrica para b , llamada especificacin elptica I [?], es el eje semi menor de la elipse.
En este caso el modelo es anisotrpico. La figura ?? muestra las componentes de una elipse. Donde F 0
y F son los focos, el segmento V V 0 = 2a se denomina eje mayor; el punto O es el centro de la elipse y
AA0 = 2b es el eje menor. Tambin se sabe que F 0 P +F P = 2a, si hacemos ||d ||+||d v te || = 2a
y v t = 2c. Usando el teorema de Pitgoras se obtiene la relacin
q
2b = (||d || + ||d v te ||)2 (v t)2 (2.22)
Esta especificacin considera que v t es la longitud del paso del peatn , donde v = ||v ||. La
razn de la misma se debe a que el peatn requiere espacio para su siguiente paso.
Con el fin de mostrar la sensibilidad de b , en la figura ?? observamos las diferentes elipses que se
forman con los peatones y con una distancia de d = (2, 0). Para las elipses en ?? mantenemos una
longitud del paso v t = 1.95, variando las direcciones de movimiento e . En la figura ?? mantenemos
la direccin e = (1, 0), variando el tamao de paso v t.
e = (1, 0)
e = (1, 1)
e = (0, 1)
e = (1, 1) v t = 0
v t = 1
e = (1, 0)
v t v t = 1.7
v t = 1.9
v t = 1.975
v t
(a) (b)
Figura 2.4: (a) Elipses resultante de la variacin en la direccin de movimiento del peatn y (b) de la
variacin en el tamao de paso.
Antes de obtener la cantidad de repulsin para la especificacin elptica I, desarrollaremos

p algunos
2 2
gradientes que nos ayudarn al clculo de g(d ). Sean d = (x1 , x2 ), ||d || = x1 + x2 , y v te =
(a1 , a2 ), tenemos que
d
d ||d || = . (2.23)
||d ||
p
De igual manera se tiene si d v te = (x1 a1 , x2 a2 ), con ||d v te || = (x1 a1 )2 + (x2 a2 )2 ,
entonces
i
d hp 2 2
i d hp
2 2
d ||d v te || = (x1 a1 ) + (x2 a2 ) , (x1 a1 ) + (x2 a2 )
dx1 dx2
!
x1 a1 x2 a2
= p ,p
(x1 a1 )2 + (x2 a2 )2 (x1 a1 )2 + (x2 a2 )2
d v te
= . (2.24)
||d v te ||
Puesto que el gradiente es lneal, se obtiene
d (||d || + ||d v te ||) = d (||d ||) + d (||d v te ||)

d d v te
= +
||d || ||d v te ||
Utilizando los clculos anteriores y la regla de la cadena se desarrolla fcilmente d b (d ), luego
1 2 (||d || + ||d v te ||)

d b (d ) = q
2
2 (||d || + ||d v te ||)2 (v t)2
d (||d || + ||d v te ||)

1 (||d || + ||d v te ||) d d v te
= +
2 2b ||d || ||d v te ||
Finalmente, sustituyendo la ecuacin anterior en la ecuacin (??) obtenemos

b /B ||d || + ||d y || d d y
g(d (t)) = A e + (2.25)
4b ||d || ||d y ||
donde
y = v te
Note que si t = 0 en la ecuacin (??), entonces los clculos se reducen a la especificacin circular.
A pesar de que esta especificacin podra ser ms realista que la especificacin circular (ecuacin (??)),
tiene la desventaja importante de no ser simtrica para lo peatones y , lo cual aumenta la complejidad
y afecta tiempo operacional.
2.2 Modelo 19
Especificacin elptica II
Otra formulacin para el parmetro b es la especificacin elptica II, introducida por Shukla [?]. En
esta especificacin se consideran las velocidades v y v de los peatnes y el . Tambin incluye sus
respectivas longitudes de paso v t y v t. Sabemos que el peatn necesita espacio para dar el siguiente
paso, por lo que podramos decir que la especificacin elptica II toma en cuenta este tipo de necesidad.
La gran ventaja de esta formulacin es ser simtrica, definida por
q
2b = (||d || + ||d (v v )t||)2 [(v v )t]2 . (2.26)
sustituyendo la siguiente igualdad para la derivacin del potencial.
y = v te v te
Comparacin entre especificaciones
A continuacin se presentan tres tipos de escenarios con el fin de hacer una comparacin entre las
especificaciones antes mencionadas [?].
Escenario 1. Consideremos dos peatones y con una distancia ||d || entre ellos, si el peatn
se mueve a una velocidad constante v en direccin e , mientras que el peatn permanece inmvil,
es decir, tendr una velocidad de v = 0. Por lo tanto la ecuacin (??) se reduce a
q
2b = (||d || + ||d + v te ||)2 [v t]2 (2.27)
la ecuacin es parecida a la ecuacin (??), sin embargo esta toma en cuenta la velocidad del mismo
peatn .
Caso 1. Un primer caso donde e , la direccin de movimiento del peatn , se dirige hacia el peatn
, como se muestra en la figura ??. Entonces ||d || > ||d + v te ||, esto disminuye a b lo
que indica que la fuerza de repulsin entre ellos crece.
v te
e
d + v te

v te
e
d + v te
d
d
d
d
(a) Caso 1 (b) Caso 2
Figura 2.5: Vector resultante cuando y (a) se acerca entre ellos y (b) cuando se aleja.
Caso 2. Contrario al primer caso, si el peatn se aleja en direccin contraria al peatn , como se
exhibe en la figura ??, por lo que ||d || < ||d + v te ||. Entonces la magnitud del parmetro
b crece y en consecuencia la fuerza de repulsin entre ellos disminuye.
Caso 3. Si la direccin del peatn es paralela al peatn , como se observa en la figura ??. La
magnitud ||d + v te || es mayor que en el primer caso, pero menor al caso anterior. Por lo tanto
la fuerza de repulsin para esta distancia se encuentra entre las fuerzas de los dos casos anteriores.
e v te

d
+v
d
d

te

Figura 2.6: Vector resultante cuando el peatn lleva ortogonal a la distancia entre y , mientras que
permanece inmvil.
En contraste con la especificacin elptica I, si la velocidad del peatn es igual a cero en la ecuacin
(??), lleva a que el parmetro b se reduzca a b = ||d ||, similar a la especificacin circular. Por
lo tanto la especificacin elptica II es ms realista para este escenario.
Escenario 2. Si pensamos en la situacin donde el peatn se dirige hacia un peatn inmvil,
con una velocidad constante ya sea de v1 v2 con v1 < v2 como se muestra en la figura ??. La
longitud del paso que toma el peatn son v1 t < v2 t. Esto lleva a pensar que el peatn con
velocidad v2 desacelere ms rpido que si llevar la velocidad v1 . Debido a que el parmetro b
1 > F 2 . Sin
para la velocidad v2 se reduce, las fuerzas de repulsin entre ellos se ven afectadas F
embargo con la especificacin elptica y circular son insensibles a la velocidad v del peatn .

v te

v te
e
d + v te
d + v te
e
d
d
d
d
Figura 2.7: Ilustra como el peatn camina a diferentes velocidades en direccin a
Escenario 3. Un caso ms completo para el modelo elptico II es cuando dos peatones caminan
uno en direccin al otro, pero con velocidades v > v , respectivamente, ver figura ??.
Mientras que en la especificacin circular las velocidades no tienen dependencia sobre el compor-
tamiento de los peatones, en las formulaciones elpticas lo hacen, lo cual ciertamente es ms realista.
El primer modelo elptico supone una dependencia de las velocidades de los peatones, pero no es
sensitiva con respecto a su propia velocidad. Por lo tanto se espera que la especificacin elptica II
sea ms realista.
2.3 Modificacin del modelo 21
e e

v v
Figura 2.8: Dos peatones caminan uno hacia al otro con diferentes velocidades.
Nueva especificacin elptica
Esta especificacin, introducida por Shukla[?], toma en cuenta la velocidad absoluta, la cual tiene una
influencia en los peatones
s
(||d || + ||d (v v )t||)2 [(v v )t]2
2b = (2.28)
1 + v t
por medio de la derivacin del potencial obtenemos
A eb /B ||d || + ||d y ||

d d y
g(d (t)) = + (2.29)
1 + v t 4b ||d || ||d y ||
Hasta ahora hemos descrito las diferentes fuerzas que actan sobre el comportamiento de los peatones,
el siguiente paso es simular este comportamiento aplicando el modelo de fuerza social definido en las
ecuaciones (??) y (??). Para ello hemos creado escenarios tpicos donde los peatones puedan interactuar
entre ellos. Estas ideas se presentan en el apartado ??.
2.3. Modificacin del modelo
2.3.1. Fuerza granular
Cuando las multitudes de personas se enfrentan a una situacin peligrosa se presenta un compor-
tamiento colectivo que se convierte en una estampida, la cual es inducida por el pnico de las personas. El
comportamiento individual con frecuencia genera bloqueos que pueden amenazar la vida de las personas
involucradas [?]. En casos donde existe una densidad muy alta de peatones, el contacto entre ellos es
mayor e incluso llegan a chocar, es aqu donde las fuerzas de empuje y friccin entran en el escenario [?].
Por lo tanto la fuerza de interaccin fsica FG , entra en juego cuando los peatones estn muy cerca entre
ellos y existe un contacto fsico (R + R d ). Por lo que se supone un fuerza de cuerpo o de empuje
kn (b )en , la cual contrarresta la compresin de cuerpo, y un desplazamiento de la fuerza de friccin
kt (b )v et que impide el movimiento tangencial relativo. Esta ecuacin se inspira de las frmulas
de interaccin granular [?]. Si b = (R + R ) d y en = d /||d || = (n1 , n2 ) (vector normal),
la fuerza granular toma la siguiente forma:
X
FG (t) = kn (b )en + kt (b )v et (2.30)
i6=j
donde la funcin (z) es igual a z, si z 0, y 0 en otro caso. Adems et = (n2 , n1 ) es el vector

tangencial a la direccin de movimiento, v t = (v v ) et es la diferencia de las velocidades
proyectada sobre el vector tangencial, mientas que kn y kt son constantes muy grandes.
Por otro lado la interaccin con las paredes se trata de forma anloga. Si dw es la distancia a la pared
w. Entonces enw denota la direccin perpendicular a la pared y etw la direccin tangencial a la misma,
de modo que la fuerza de repulsin a paredes est dada por la ecuacin
X
FGw (t) = kn (R dw )enw + kt (R dw )vw etw (2.31)
i6=j
Resumiendo, el modelo de fuerza social modificado se escribe como
dv (t)
m = F + F + Fw + FG + FGw (2.32)
dt
2.3.2. rea de respeto
Incluir las fuerzas de interaccin fsicas FG y FGw en el modelo de fuerza social no es suficiente para
reproducir el diagrama fundamental de Weidmann. Parisi et al. [?] argumenta que el modelo de fuerza
social es modelo competitivo y que en condiciones normales para peatones con velocidades bajas continua
con este comportamiento competitivo, es decir, un peatn podra empujar a otro peatn que viene de
frente. Sin embargo, en la realidad un peatn en estado normal puede pararse antes de hacer un contacto
fsico. Por lo que ellos consideran que cada persona tienen asociada un rea de respeto. De esta manera el
peatn disminuye su velocidad gradualmente siempre que otra persona viole esta rea. Este mecanismo
de auto detencin evita que el peatn continue empujando a otras personas cuando existen condiciones
con densidades normales.
DR
Area de
respeto
Figura 2.9: Geometra del rea de respeto del peatn , donde el peatn viola el rea de respeto .
El rea de respeto est delimitada por una circunferencia de radio DR = RF R , donde R es el radio
del peatn y RF el factor de respeto, cuyo centro se encuentra a una distancia DR del centro del mismo
en la direccin deseada (e ), ver figura ??. Si alguna persona toca esta rea de respeto, la velocidad
deseada vd del peatn se reduce a cero. sta velocidad se recobra cuando no hay otros individuos en
el rea de respeto. Observemos que la velocidad actual del peatn no es cero (v 6= 0) y es la que da el
movimiento, hasta que la velocidad deseada se recobra. Con esto se produce una desaceleracin continua
en lugar de que el individuo pare repentinamente.
2.4 Simulaciones numricas 23
2.3.3. Regin de interaccin
Debido a que el costo computacional es muy grande si se toman en cuenta todas las fuerzas que
interviene para cada uno de los peatones, definimos la regin de interaccin como un circunferencia
alrededor de una persona que determina el territorio donde sta siente con mayor intensidad las fuerzas
que intervienen en el sistema, ver figura ??. Una idea similar se encuentra en Johasson et al. [?] para
programacin en paralelo. Notemos que la regin de interaccin no es lo mismo que la distancia social o
zona de confort.
En nuestro caso consideramos que las personas mantienen una distancia pblica y por tanto el radio
de la regin interaccin es de 3 m [?].

F
F
F

Figura 2.10: Regin de interaccin. El peatn solo mantiene una interaccin con aquellos peatones que
se encuentran cerca de l. No hay fuerza de repulsin entre y
2.4. Simulaciones numricas
En este apartado se presentan principalmente las simulaciones numricas de diversos escenarios donde
los peatones interactan entre ellos. El modelo que se utiliza es el de fuerza social definido en las ecuaciones
(??) y (??). La programacin se ha realizado en la plataforma llamada Python, ver Anexo A.
A pesar de que Keith Still [?] propone un ancho de hombros de 45.58 cm, consideramos en todas los
ejemplos, 80 cm de ancho de hombros, con el fin de que se viera los peatones. Las velocidades deseadas v d
siguen una distribucin Gaussiana con media vd = 1.34 ms y una desviacin estndar 0.26 ms , [?, ?, ?]. Por
simplicidad no se consideran los fuerzas de atraccin Fg ni las fluctuaciones (t) en las ecuaciones (??)
y (??). Usamos el mtodo de Euler para calcular la velocidad de cada peatn en el tiempo t + t como
v (t + t) = v (t) + FT (t)t
donde t es el tamao de paso. Despus se calcula la posicin del peatn con
x (t + t) = x (t) + v (t)t.
Las condiciones de frontera empleadas en este modelo son abiertas, de tal manera que las personas
que salen del pasillo son eliminadas del sistema. El nmero de peatones que entran al sistema se calcula
mediante una distribucin uniforme entre 0 y 6, con diferentes intervalos de tiempo segn el escenario.
Para todos los ejemplos numricos se consideran los mismos valores de los parmetros que en Helbing
2
[?]: Aw = 10 ms2
y Bw = 0.2 m. El tamao de paso t es de 0.2s, as como el parmetro de relajacin
= 0.5s.
Con el fin de entender el comportamiento de cada una de las fuerzas de repulsin a muros y a personas,
hemos realizado la simulacin por separado de cada una de ellas.
Figura 2.11: Ilustracin de la fuerza de repulsin cuando un peatn se acerca a un muro.
Comenzamos con la simulacin de la fuerza de repulsin a muros. Para ello se ha utilizado la fuerza
de movimiento del peatn (ecuacin (??)), la cual motiva a ste a moverse en la direccin ed junto con la
fuerza de repulsin a muros, ecuacin (??).
En la figura ?? observamos un peatn que se dirige a uno de lo muros del pasillo. Cuando se aproxima
lo suficiente al muro, el peatn siente una fuerza de repulsin de tal manera que se aleja de este. Una vez
que esta fuerza pierde intensidad, el peatn continua caminado en su direccin deseada.
Para simular la fuerza de repulsin entre peatones, tomamos solamente dos de ellos caminando uno
en direccin del otro, como se muestra en la figura ??. Utilizamos las ecuacin (??) con especificacin
2
circular. Con parmetros A = 3.0 ms2 , y B = 0.5 m.
Figura 2.12: Ilustracin de la repulsin de un peatn a otro.
Las medidas del pasillo son 18 m de largo y 10 m ancho, las esferas tiene un radio constante de 0.7 m. La
distancia inicial entre ellos es de 4 m. Cuando estn suficientemente cerca, a una distancia determinada
por B , ambos comienzan a sentir la fuerza de repulsin que un peatn ejerce sobre el otro. En el caso
que ambos se encuentren completamente de frente (al mismo nivel), se quedan inmviles hasta que otra
fuerza perturbe este estado. Si uno de ellos lleva una velocidad mayor que el otro, el primero empujar al
otro en direccin contraria.
2.4.1. Comparacin entre especificaciones
Consideramos un pasillo de 50 m de largo y 10 m de ancho. Con un flujo unidireccional, donde los

peatones caminan en un mismo sentido de izquierda a derecha. Para estas simulaciones utilizamos los
A B
Circular 2.1 0.3 0.85
Elptica I 6 0.5 1
Elptica II 4.3 1.07 1
Cuadro 2.1: Parmetros utilizados para las diferentes especificaciones.
valores de los parmetros descritos en el cuadro ??. El radio de los peatones es de un tercio de su
velocidad actual. De las simulaciones de la figura ?? podemos observar que tanto la especificacin circular
como la elptica II tienen un mejor comportamiento en comparacin a la elptica I. Las velocidades en la
especificacin elptica I en ocasiones llegan a dispararse lo que provoca un movimiento irregular y mayores
choques entre los peatones. Contrario a las otras especificaciones; en la circular las velocidades no se
disparan.
(a) Circular (b) Elptica I
(c) Elptica II
Figura 2.13: Comparacin entre especificaciones para un flujo unidireccional. El radio de los peatones es
del tercio de la velocidad. (a) Muestra una estabilidad en las velocidades a diferencia de (b) e incluso
mejor que (c).
En un flujo bidireccional, la especificacin elptica I tiene un menor desempeo en comparacin con

las otras dos, la auto-organizacin entre los peatones no se presenta y los choque entre ellos son ms
frecuente. Observamos por medio de los radios, que las velocidades de los peatones son muy diferentes.
La especificacin circular y elptica II ofrece una mejor auto-organizacin, incluso la simulacin de la
figura ?? se aprecia que las lneas dinmicas, en la especificacin circular, tienen a formar un flujo ptimo,
formando dos corrientes de flujo.
Cabe mencionar que los valores de los parmetros del cuadro ?? para la circular y elptica II los
obtuvimos de [?, ?]. Sin embargo, los propuestos para la elptica I no han tenido un buen desempeo,
incluso hemos probado otros valores pero los resultados no han sido satisfactorios, lo peatones chocan, se
traslapan y no se observa una formacin de lneas dinmicas. La ventaja de la especificacin circular y
la elptica II es que son simtricas lo que aumenta la rapidez en los clculos de las fuerzas. Y puesto que
la especificacin circular es mucho ms sencilla y ofrece resultados parecidos a los de la elptica II. En
adelante utilizaremos la especificacin circular.
(a) Circular (b) Elptica I
(c) Elptica II
Figura 2.14: Comparacin entre especificaciones para un flujo bidireccional. (a) Muestra un flujo ordenado
a diferencia de (b) y (c).
2.4.2. Pasillo
Flujo unidireccional
En la figura ?? se aprecian los resultados de la simulacin ya con la especificacin circular. Los peatones
se distribuyen casi homogneamente por todo el pasillo, manteniendo casi siempre la misma distancia
entre ellos. Para el caso de un flujo heterogneo, donde las personas que llevan diferentes velocidades,
observamos que se forman grupos de personas, ver figura ??. Los peatones que llevan mayor velocidad
desvan su camino con tal de mantener su velocidad deseada.
Si variamos el parmetro < 1, con frecuencia los peatones se rebasan o empujan a otros, que llevan
menor velocidad, con tal de llegar a su destino. Si > 2 entonces el comportamiento se vuelve irregular,
oscilando de un lado a otro, ya que mantenerse alejado de los otros peatones es mucho mas importante
que llegar a su destino.
(a) (b)
Figura 2.15: Ilustracin del flujo uni-direccional. (a) Flujo homogneo, los peatones mantienen una distan-
cia entre ellos, mientras que (b) flujo heterogneo, se forman cmulos debido a la diferencia de velocidades.
Por otro lado, al variar el rango de repulsin B , los peatones aumentan o disminuyen la distancia
entre ellos. La intensidad de interaccin A , determina la magnitud de la fuerza de repulsin que siente
el peatn . Por ejemplo, para B < 0.2 y A > 10 las personas se acercaran mucho hasta un punto en
que reaccionan y se alejan de manera abrupta.
Flujo bidireccional
De la figura ?? vemos dos tipos de peatones rojos que caminan de izquierda a derecha y azules de
derecha a izquierda caminado dentro de un pasillo de 10 m de ancho y 50 m de largo.
En esta simulacin se observa la formacin de lneas dinmicas, como ya habiamos mencionado an-
teriormente, consiste en la formacin de peatones en una hilera donde llevan una misma direccin de
caminata uniforme en el mismo sentido [?], es decir un estado de mnima interaccin [?] o una propiedad
intrnseca de auto-organizacin [?]. El nmero de lneas formadas depende del ancho de pasillo o de la
densidad de peatones. Es importante mencionar que en la simulacin se utilizan objetivos fijos, es decir,
cada peatn tiene como meta llegar al punto medio del extremo opuesto del corredor.
(a) (b)
Figura 2.16: Formacin de lneas dinmicas en flujo bi-direccional. (a) Lneas dinmicas, (b) agrupacin
de lneas dinmicas en dos corrientes de flujo.
Mientras la densidad de personas aumenta, las oportunidades de rebasar se reducen hasta el punto en
que deja de existir, entonces el flujo heterogneo se convierte en un flujo peatonal homogneo. Tambin
podemos ver en la figura ?? como despus de un tiempo, las lneas dinmicas se juntan dividiendo el
pasillo en dos corrientes de flujo tal como pasa en el trfico peatonal.
2.4.3. Cuellos de botella
Rotonda
Esta simulacin se hace sobre un pasillo de tamao 10 m ancho por 40 m de largo, con un obstculo
(circular) en medio del pasillo de 5 m de radio. La intensidad de interaccin entre peatones es A = 2.5,
con un rango B = 0.5, y = 0.8.
(a) (b)
Figura 2.17: Pasillo con obstculo. (a) Los peatones desvan su direccin despus de acercarse al obstculo.
(b) Se incorpora otra fuerza de repulsin a muros desviando su movimiento mucho antes de llegar al
obstculo.
En la figura ?? observamos cmo los peatones desvan la direccin mucho antes de chocar con el
obstculo. Esto se logr introduciendo un potencial ms a la fuerza de repulsin (a muros) que depende
Figura 2.18: Flujo bidireccional de peatones sobre pasillo con obstculo. Se presenta la formacin de lneas
dinmicas al rededor del obstculo.
del ngulo entre la velocidad del peatn y la distancia al muro. De esta manera logran evadir el obstculo
sin tener que colocar una meta intermedia a los lados del obstculo. Solo se tomaron los puntos medios
en los extremo del corredor como objetivos. Si no se considerara esta fuerza el flujo chocara contra el
obstculo distribuyndose por los lados hasta lograr pasarlo ??. En un flujo bidireccional podemos notar
la presencia de lneas dinmicas, ver figura ??.
Puerta
El cruce de una puerta es un tipo de cuello de botella. El pasillo tiene 25 m de largo con un ancho
de 10 m, la puerta tiene 2 m de andcho. Para este escenario, la intensidad de fuerza entre peatones
es de A = 3 con rango de B = 0.4, y = 0.85. En esta simulacin se muestran un conjunto de
personas atravesando una puerta. La distancia ms cercana a la puerta determina la forma semicircular
de las personas esperando su turno para pasar. Las personas al pasar muestran cambios oscilatorios en su
movimiento. Para el caso bidireccional, aparece un intercambio de flujos que se da de la siguiente forma:
si un peatn logra pasar a travs la puerta, las personas detrs del l lo siguen. Esto ocurre porque las
presiones de los dos lados son diferentes. El lado de menor presin permite el paso de personas del lado
con mayor presin. Hasta llegar al punto en que las presiones se intercambian provocando con esto que el
paso de las personas sea oscilatorio, ver figura ??. En este caso se utilizan tres metas: los puntos medios
de los extremos y de la puerta.
(a) (b)
Figura 2.19: Cuello de botella tipo puerta, (a) y (b) muestran oscilaciones en el movimiento de los peatones
al cruzar la puerta.
Dos puertas
El pasillo mide 50 m de largo y 10 m ancho. Cada puerta tiene 2 m de ancho. Las simulaciones revelan
que dos puertas adyacentemente separadas por una misma pared (figura ??), son ms eficientes que slo
una puerta con el doble de ancho. La auto-organizacin se muestra cuando cada una de las puertas tiene
una sola direccin (sentido). La razn es porque las personas que pasan facilitan el camino para sus
sucesores, similar a la formacin de lneas dinmicas [?].
(a) (b)
Figura 2.20: Fujo bidireccional con dos puertas. (a) Puertas sobre el mismo muro (en lnea) y (b) en muros
diferentes (a desnivel). Observamos que peatones se distribuyen mejor cuando las puertas se encuentra a
desnivel.
Ahora, si en lugar de poner las puertas sobre la misma pared, las colocamos en desnivel. La simulacin,
en la figura ??, presenta una mejor auto-organizacin. Podemos ver que la mayora de los peatones azules
y rojos pasan por la puerta ms lejana, formando dos corrientes.
Reduccin de pasillo
La ampliacin y reduccin de pasillos es la forma ms comn de cuello de botella. Estos escenarios

aparecen con mayor frecuencia en lugares pblicos. La estructura en esta simulacin es un caso de un
doble cuello de botella con un flujo uni y bidireccional. Los peatones tienen como meta llegar a entrada
del pasillo angosto, salir y dirigirse a la parte media de la salida.
Figura 2.21: Reduccin y ampliacin de pasillo. La formacin de lneas dinmicas y los cambios oscilatorias
en el movimiento se hacen presentes en este tipo de estructuras.
La figura ?? muestra la formacin de lneas dinmicas dentro de pasillo ms angosto y un movimiento

oscilatorio saliendo de este. El constante contacto que se genera entre peatones de direccin opuesta
ocasiona una inestabilidad y un pequeo comportamiento oscilatorio. Si el flujo no es capaz de regularse
entonces la presin se acumula y es capaz de generar situaciones de bloqueo que conllevara al dao de
muchas personas en situaciones de emergencia.
Esquina
El pasillo tiene un ancho de 10 m. Para el caso sin esquina, el corte es de 4 m a un ngulo de 45 . Los
parmetros son: = 1, con intensidad de interaccin entre peatones A = 2.5N y rango B = 0.5 m, ver
figura ??. Recordemos que los peatones se mueven utilizando el menor esfuerzo al caminar, por lo tanto
en este caso se dirigen al punto ms cercano (a esquina) para dar vuelta. Por lo tanto, la menor manera
de incrementar el flujo es redondear las esquinas, con esto se disminuye la distancia para llegar a la salida.
(a) (b)
Figura 2.22: Flujo peatonal en una esquina: (a) esquina en punta (b) esquina recortada. Redondear las
esquinas ofrece mayores rendimientos en cuento al tiempo de recorrido que las esquinas punteadas
Para esta simulacin se considera que la meta intermedia del peatn es un punto situado en medio del
pasillo de salida, por lo tanto es importante definir bien las metas a fin de que el peatn de vuelta sin
tropezar con paredes y lograr una simulacin mucho ms realista.
2.4.4. Cruce de pasillos
Cruce ortogonal y diagonal
Se contrastan dos tipo de cruces de pasillos: cruce perpendicular y diagonal con inclinacin de 45 , ver
figura ??. Ambos pasillos tienen 40 m de largo y 10 m de ancho. Los peatones azules van de izquierda
a derecha y los blancos de abajo hacia arriba. La simulacin utiliza los siguientes parmetros: intensidad
de fuerza entre peatones de A = 3N con rango B = 0.3 m, y = 0.85.
(a) (b)
Figura 2.23: Cruce de pasillos con solo dos direcciones. (a) La corriente con mayor fuerza arrastra a
los peatones que cruzan el pasillo provocando congestiones. (b) Las personas tiene mayor facilidad de
incorporarse a su camino.
En las intersecciones las personas se enfrentan con diferentes patrones alternativos de movimiento, los
cuales son inestables y tienen un corto periodo de vida. Se presenta la formacin de grupos de personas
2.5 Diagrama fundamental 31
esperando continuar con su camino. La mayor parte del tiempo los grupos tienden a una estructura
homognea donde las velocidades individuales son parecidas entre ellos haciendo que las personas no
rebasen aquellas que llevan misma direccin.
Los patrones homogneos que emergen tienen forma en estos pasillos son pequeas lneas diagonales.
Las estructuras que se presentan son similares a las producidas en los flujos uni y bidireccionales.
En cruce ortogonal de pasillos, figura ??, las personas que tratan de cruzar son arrastrados por corriente
de individuos que atraviesa el pasillo provocando que las personas busquen incorporarse a su camino
propiciando congestionamientos. Para cruce diagonal de pasillos, figura ??, las personas arrastran por
corrientes que cruzan el pasillo tiene mayor facilidad de incorporarse a su camino ya que a veces estas
corrientes impulsan a los peatones a cruzar con mayor rapidez.
2.4.5. Cruce con y sin obstculo
Por ejemplo, la fase durante la cual la interseccin se cruza en direccin vertical u horizontal alterna
con la fase temporal de un movimiento rotatorio (glorieta). Esta auto-organizacin en trfico de rotonda
produce en promedio un movimiento de personas ms eficiente, pero en este caso es temporal. La eficiencia
del trfico peatonal se puede incrementar si ponemos un obstculo en el centro de la interseccin, ya que
esto favorece un movimiento de rotonda, ver figura ??.
(a) (b)
Figura 2.24: Cruce de pasillos con cuatro corrientes de flujo. (a) congestin de personas, (b) auto-
organizacin mediante una rotonda.
2.5. Diagrama fundamental
Utilizando la ecuacin (??), del modelo de fuerza social modificado, logramos reproducir el diagrama
fundamental de Weidmann. Para ello consideramos los parmetros propuestos por Parisi en [?], A =
Aw = 2000 N, B = Bw = 0.08 m, t = 0.01 el paso de tiempo, = 0.5 s el tiempo de aceleracin. Los
parmetros kn = 1.2 105 kg s2 y kt = 2.4 105 kg m1 s1 , adems tmanos RF = 0.85. La masa m,
el ancho de los hombros d y la velocidad deseada vd son distribuidas uniformemente con los siguientes
rangos:
m [70 kg, 90 kg]

d [0.5 m, 0.58 m]
vd [0.9 m/s, 1.5 m/s]
En la figura ?? se mide al flujo y la densidad en un rea de 21 m2 . Se tomaron 500 segundos, de los cuales
60 de ellos se utilizaron para estabilizar la densidad en el rea de estudio. En la figura ?? se muestra una
comparacin de las simulaciones modelo de fuerza social modificado contra Weidmann, se observa que el
primer modelo reproduce cualitativamente el diagrama fundamental.
Figura 2.25: Simulacin para la medicin de flujo-densidad con flujo unidireccional.
Figura 2.26: Comparacin entre el diagrama fundamental de Weidmann y el modelo de fuerza social
modificado.
Otras modificaciones al modelo de fuerza social son: [?, ?, ?, ?]
2.5.1. Estudio de carriles
El metro de la ciudad de Mxico con el fin de mejorar el flujo de personas dentro de sus instalaciones
ha implementado varios tipo de estructuras dentro de sus pasillos. Algunos de ellos consisten en la divisin
de carriles con barandales o solamente usando sealizaciones, en otros casos han puesto barandales en
zigzag. Sin embargo, qu podemos decir de este tipo de estructuras?, cul es la mejor?
2.5 Diagrama fundamental 33
(a) (b)
Figura 2.27: Metro de la ciudad de Mxico. Estacin de correspondencia Salto del agua.
Hicimos un pequeo estudio de un pasillo con dos y tres carriles utilizando solo lneas divisorias y
flechas de sealizacin de flujo. El pasillo tiene 50 metros de largo y 10 de ancho. La medicin de densidad
y velocidades se hicieron sobre un rea de 30 m2 . La simulaciones se ejecutaron por 500 s, con 60 s de
ellos para estabilizar el flujo tal como se hizo anteriormente.
(a) (b)
Figura 2.28: Simulacin de flujo bidireccional para al caso de (a) dos carriles y (b) tres carriles.
Los peatones en azul van de izquierda a derecha y los peatones rojos en sentido contrario El nmero
de peatones azules y rojos es el mismo. Las condiciones de frontera son de tipo peridicas. Para inducir a
los peatones a mantenerse dentro de su carril aplicamos una fuerza de repulsin en la lnea de separacin.
La intensidad de esta fuerza es mucho menor que la de las paredes, con el fin de dejar invadir el otro carril
cuando sea necesario. Los valores de la fuerza de repulsin de la lnea son: Al = 5N y Bl = 0.2m. As
tambin valores permiten que peatn pueda regresar a su carril cuando sea necesario.
Del diagrama fundamental ?? podemos observar que el pasillo con dos carriles tiene mayor flujo que
el que tiene tres carriles. En la simulacin notamos que dentro del pasillo con tres carriles haba mayor
inestabilidad ya que los peatones con direcciones opuestas con frecuencia invadan los carriles o se empu-
jaban provocando pequeas congestiones en sus carriles. A diferencia del pasillo con dos carriles la friccin
entre los peatones con direcciones opuestas era solo era la frontera que divida al pasillo haciendo que el
flujo en sus carriles sea continuo y ordenado.
Para densidades mayores a las de flujo libre, surgen regiones donde los peatones bloquean su paso,
comenzando pequeas turbulencias sobre la lnea de divisin de carril. Estos bloqueos con frecuencia
surgen en pasillos con tres carriles, figura ??.
En ocasiones el tipo de estructura favorece la formacin de tres carriles, por lo tanto aplicar una poltica
forzando la formacin de dos carriles ocasionara mayores congestionamientos. Solo en estas circunstancias
el flujo bidireccional dividido en tres carriles es la mejor opcin, ver figura ??.
Figura 2.29: Diagrama de flujo para el anlisis de pasillo con dos y tres carriles.
Figura 2.30: Congestin de peatones en pasillo con 3 carriles.
Figura 2.31: Estructura que provoca el formacin de tres carriles.
2.6. Conclusiones
Se ha reproducido en diferentes simulaciones los diversos patrones colectivos como son:
La formacin de lneas dinmicas de peatones en pasillos con flujo bidireccional.
Los cambios oscilatorios en la direccin de caminata que se producen en los cuellos de botella como
2.6 Conclusiones 35
puertas o reducciones y ampliaciones de pasillos.
Hemos visto que estos patrones colectivos de movimiento se pueden interpretar como un fenmeno de
auto-organizacin. Lo cual se puede aprovechar para que el trfico peatonal sea ms eficiente, por ejemplo
incluir una fuente en el cruce de pasillos, redondear las esquinas, etc.
Tambin hemos verificado que el modelo de fuerza social modificado abarca un espectro ms amplio
en condiciones normales y de pnico.
Por otro lado, hemos visto la importancia de estimar los parmetros A , B , , del modelo de fuerza
social para cada uno de los escenarios. Esto nos ayudar significativamente a que las simulaciones sean
ms realistas.
Queda pendiente el estudio de cmo obtener los valores de estos parmetros para calibrar nuestro
modelo en problemas reales.
CAPITULO 3
Modelos de autmatas celulares
3.1. Introduccin
Lo primero que pensamos cuando escuchamos la palabra autmata es en una mquina con inteligen-
cia artificial movindose o controlando alguna funcin de un mecanismo en especfico. Para darnos una
idea sobre los autmatas celulares (AC) pondremos como ejemplo las marquesinas: los anuncios de texto
corredizos (rtulos electrnicos) son autmatas celulares ya que utilizan pequeos focos llamados leds
(celdas) que tienen como finalidad mostrar texto o imgenes. Los focos encienden y apagan cada uno en
un tiempo determinado, de tal manera que el mensaje sea claro para el que lo vea.
Figura 3.1: Rotulo elctrico que utiliza leds (focos) para mostrar un mensaje.
La idea de autmata celular fue desarrollada por John von Neumann y Stanislaw Ulam en la dcada
de los cuarenta, como una estructura matemtica, la cual permita investigar la organizacin existente en
los procesos biolgicos de la auto-reproduccin celular, de tal manera, que se vea como un conjunto de
clulas que crecan, se reproducan y moran a medida que pasaba el tiempo (en pasos discretos) [?].
Sin embargo, fue hasta la dcada de los sesenta cuando el matemtico John Horton Conway desarroll
una aplicacin prctica de los autmatas celulares con el famoso juego de la vida [?] y quizs el autmata
celular ms conocido, debido a la evolucin de ciertos patrones, figura ??. El tablero del juego es una
malla formada por cuadros (clulas) que se extiende en todas direcciones. Cada clula tiene ocho clulas
vecinas, prximas a ella. Las clulas tienen dos estados: vivas o muertas. El estado de la malla evoluciona
en unidades de tiempo discretas. Las leyes que gobiernan este juego son:
37
38 Captulo 3. Modelos de autmatas celulares
1. Reproduccin y nacimiento: una clula muerta (blanca) tiene exactamente tres clulas vecinas
vivas (negras), se reproducen y dan vida a la primera para el siguiente paso de tiempo.
2. Sobrevivencia: una clula viva que tiene a lo ms dos tres vecinas vivas, permanece viva.
3. Sobrepoblacin: una clula viva que tiene ms de tres vecinas vivas, muere.
4. Aislamiento: una clula viva con menos de dos vecinos vivos muere.
Existen muchas variaciones de estas reglas las cuales producen diferentes patrones, los ms conocidos son:
patrones estticos (el bloque y el barco), patrones recurrentes (el parpadeador y el sapo) y patrones que
se trasladan por el tablero (planeador y la nave espacial), ver figura??
Figura 3.2: Patrones relacionados con el juego de la vida.
Entonces, un autmata celular est compuesto por una cuadrcula donde cada celda evoluciona y
cambia de estado conforme pasa el tiempo. Adems incluye una configuracin inicial (t = 0) y condiciones
de frontera. La evolucin del sistema depender de esta configuracin inicial.
Los AC se aplican a simulacin de evacuacin de barcos y salas de cine, estudio de mercados y efectos de
la publicidad, diversin, arte, investigacin, simulacin de procesos fsicos, qumicos y biolgicos, etctera.
Tambin hay teoras que cohesionan la mecnica newtoniana con la relativista y con la cuntica utilizando
AC 1 . En este trabajo utilizaremos diferentes modelos de autmatas celulares para simular el trfico
peatonal bidireccional sobre un pasillo. En la seccin 3.3 se presentan las ideas principales de varios
modelos de autmatas celulares. Sin embargo, no todos los artculos presentan los algoritmos de los
modelos. Hemos elegido el modelo de Klpfel y el modelo de dos procesos para implementarlos por ser
ms claros en la descripcin de sus reglas, los cuales se presentarn en los apartados 3.4 y 3.5.
3.2. Definicin de autmata celular
Los autmatas celulares constituyen una clase particular de sistemas dinmicos discretos2 debido a
que no solamente el tiempo es discreto sino tambin el espacio. Un autmata celular se puede definir
formalmente como una tupla (L, S, N , f ), es decir un conjunto ordenado de objetos caracterizados por:
L rejilla o cuadrcula (malla) de enteros. Cada cuadro es una celda.
S conjunto finito de estados que puede tomar cada celda.

1
Gererdt Hooft ganador del Premio Nobel de Fsica, desarrollo un modelo del universo en forma de autmata celular
que permite que el entrelazamiento cuntico sea determinista. Hooft dice que: El universo es un autmata celular en el que
la realidad es simplemente la interpretacin de una gigantesca y fantstica mquina compleja de computacin
2
Un sistema dinmico es un sistema complejo que presenta el cambio o evolucin de su estado a lo largo del tiempo; el
comportamiento en dicho estado se puede caracterizar determinando los lmites del sistema, los elementos y sus relaciones;
se dice discreto si el tiempo se mide en pequeos lapsos
3.2 Definicin de autmata celular 39
N es la vecindad correspondiente a cada celda.

f funcin de transicin (actualizacin) de estados, la cual se aplica a cada una de las celdas. Tomando
como argumentos el estado de la celda y de sus vecinos en el tiempo t. Retorna el nuevo estado de
la celda para el prximo paso de tiempo.
La funcin de configuracin Ct : L S es una relacin que asocia a cada celda de la malla un estado.
La funcin de actualizacin (o transicin) f cambia la configuracin Ct a una nueva configuracin Ct+1 :
Ct+1 (r) = f ({Ct (i)|i N (r)}) (3.1)
donde N (r) es el conjunto de vecinos de la celda r, N (r) = {i L|r i N }. La ecuacin (??) describe la
influencia local de la vecindad N (r) sobre el conjunto de estados de la celda r en la evolucin del tiempo,
es decir, no hay interacciones de largo alcance.
Figura 3.3: Transformacin de una estructura en una cuadrcula de celdas. Las paredes u otros obstculos
fijos son celdas con un estado fijo.
Adems los autmatas celulares estn limitados por condiciones de frontera las cuales se refieren a
qu ocurre en las celdas que tocan los bordes del espacio de estudio, ver figura ??. Estas condiciones de
frontera se clasifican en:
Peridicas: se considera que la cuadrcula se cierra tocando sus extremos; en 2D se forma un toro,
ver figura ??. Si una celda est en la frontera, interaccionar con sus vecinos inmediatos y con las
celdas que estn en los extremos opuestos del autmata, como si fueran crculos.
Abiertas: se considera que la clulas fuera de la cuadrcula toman un valor fijo.
Reflectoras: las celdas que estn fuera del extremo de la cuadrcula toman los valores de aquellas
que estn dentro como si se tratara de un espejo que refleja los valores de las celdas.
Sin fronteras: se puede asumir que cada vez que las clulas quedan fuera de la malla, la cuadrcula
se expande para dar cabida a estas interacciones. Obviamente, para cada tipo de frontera existe un
lmite impuesto por la memoria disponible.
Por su parte, se distinguen dos tipos bsicos de vecindades para cada celda:
1. Vecindad de von Neumann. Es un conjunto conformado por cuatro celdas, la de arriba, abajo, derecha
e izquierda, alrededor de la celda r, ver figura ?? En este caso el radio es 1, ya que solamente se
consideran los vecinos ms cercanos. Esta vecindad fue utilizada por Von Neumann en su primer
ejemplo en [?].
Figura 3.4: Condiciones de fronteras peridicas por los cuatro extremos de una cuadrcula.
2. Vecindad de Moore. Es una extensin de la vecindad de Von Neumann, la cual contiene celdas en
la diagonal, ver figura ??. Esta es la vecindad que utiliza el juego de la vida.
De estas se derivan diferentes vencidas, extendiendo su radio o considerando slo una parte de la
vecindad. La figura ?? muestra una vecindad de Moore de radio 2.
(a) Vecindad de Von (b) Vecindad de (c) Vecindad extendi-

Neumann Moore da de Moore
Figura 3.5: Tipos de vecindades
Cabe mencionar que actualmente se pueden forma un teselado del espacio de estudio con diferentes
figuras, por ejemplo se generan celdas de forma hexagonal [?].
3.3. Flujo peatonal con autmatas celulares
En recientes dcadas, el estudio de la dinmica peatonal ha tenido gran desarrollo, principalmente

mediante modelos de autmatas celulares, debido a su eficiencia para modelar sistemas complejos. La
rapidez de simulacin y el nmero de personas con las que se pueden trabajar es mucho mayor que con
otro tipo de modelos. En este apartado presentaremos algunos de los modelos con este tipo de enfoque.
3.3.1. Modelo de parmetros dinmicos
Este modelo es introducido por Hao Yue et al. en [?]. El autor considera dos tipos de peatones: aquellos
que se mueven hacia arriba y otros en direccin contraria. Cada celda puede ser ocupada solamente por
un peatn. Los peatones tiene una velocidad mxima Vmax = 1, es decir avanzan una celda por cada paso
de tiempo. Las fronteras de arriba y abajo de la cuadrcula son de tipo peridicas e izquierda y derecha
son cerradas. De esta manera se mantiene la misma densidad de personas dentro del sistema. Se toma la
3.3 Flujo peatonal con autmatas celulares 41
vecindad de Moore con radio 1 como los posibles movimientos del peatn, ver la figura ??. Los peatones
eligen esperar o moverse de acuerdo a una matriz de transicin de pago P = p(ij) , como se muestra en
la figura ??. Cada elemento de la matriz corresponde al pago del movimiento hacia una de las nueve
direcciones posibles.
P1,1 P1,0 P1,1
P0,1 P0,0 P0,1
P1,1 P1,0 P1,1
(a) (b)
Figura 3.6: Los movimiento permitidos mediante la matriz de transicin de pago.
Considerando el campo de movimientos, para cada celda se calcula cuatro parmetros dinmicos:
parmetro de direccin, de vaco, de avance y de categora. Observamos que para cada parmetro se
construye una matriz de tamao 3 3.
Parmetro de direccin
El movimiento del peatn se caracteriza por un destino y una direccin. Los valores de esta matriz D
representan una ganancia cuando se aproxima a su destino, una prdida cuando se aleja de l y un valor
nulo en movimientos laterales. Si la direccin del peatn va de izquierda a derecha como en la figura ?? ,
entonces.

0.7 0 0.7 1, celda a la derecha;

0.7, celdas superior e inferior derecha;

1 1
Dij = 0, celdas de los lados; (3.2)
0.7, celdas superior e inferior izquierda;

0.7 0

0.7
1, celda a la izquierda.

Observemos que si se mueve de frente a alguna de las dos celdas diagonales gana 2/2 0.7 unidades
de pago. Por conveniencia se le asigna este valor, de otro modo dara lugar a un movimiento irregular.
Parmetro de vaco
Este parmetro refleja la influencia de las celdas vacas u ocupadas sobre los peatones, ya que stos
sentirn un mayor rechazo si quieren caminar hacia una celda ocupada. Si el peatn decide no moverse,
entonces el valor del parmetro de vaco es cero.

1, celdas vacas;
Eij = 0, celda central; (3.3)
1, celdas ocupadas.

Parmetro de avance
Este parmetro refleja la atraccin de los peatones hacia la celda objetivo, mediante el nmero de celdas
vacas dentro de un campo de visin [?]. Este campo de visin consiste de 3 5 celdas como muestra la
figura ??. El parmetro de avance se describe como
S2
Fij = S1 (3.4)
nc
donde S1 es el nmero de celdas vacas, S2 nmero de celdas ocupadas y nc nmero de celdas dentro
del campo de visin. En caso de que el peatn se encuentre cerca de alguna frontera el nmero de celdas
dentro del campo se reduce.
ij ij
(a) (b)
Figura 3.7: (a) Campo de visin para parmetro de avance. (b) campo para el parmetro de categora,
donde ij es la celda objetivo hacia donde el peatn desea avanzar.
Parmetro de categora
Este describe la proporcin de peatones en la direccin deseada dentro del campo alrededor de la celda
objetivo.
S2
Cij = S1 (3.5)
nc
donde S1 es el nmero de celdas vacas y peatones con misma direccin dentro del campo de visin, S2
nmero de peatones con diferente direccin y nc nmero de celdas dentro del campo de categora, ver
figura ??.
Parmetro de lado derecho
Este parmetro fue introducido por Hao Yue et al. [?]. El parmetro refleja el hbito de las personas
para caminar por el lado derecho.

r, celda objetivo de lado derecho del peatn;
Rij = 0, celda de central; (3.6)
r, celda objetivo de lado izquierdo del peatn.

El rango de este parmetro se encuentra entre 0 y 0.3. Para valores mayores los peatones elegirn
ciegamente el lado derecho.
Por lo tanto, Pij determina la posible celda objetivo ij a ocupar, a partir del clculo de los cinco
parmetros dinmicos.
Pij = Dij + Eij + Fij + Cij + Rij (3.7)
Reglas de actualizacin
Las reglas de actualizacin son las siguientes:
1. En el modelo, lo peatones slo se pueden mover una celda en cada paso de tiempo en cualquiera de
las 9 posibles direcciones, figura ??.
2. En cada paso de tiempo, para cada peatn se calcula el valor Pij de las celdas vecina y se elige
aquella con el valor ms grande en Pij . Si existen dos valores mximos iguales se elige de manera
aleatoria cualquiera de ellos con misma probabilidad.
3. En caso de dos o ms peatones intentar moverse a un misma celda objetivo, entonces slo uno de
ellos tomar esta celda asignada de manera aleatoria con igual probabilidad.
4. Dentro de un paso de tiempo, en flujo bidireccionales dos peatones se les permite conmutar sus
posiciones si y slo si ellos tienen como celda destino la ocupa el otro.
3.3.2. Modelo de patrones de colisin
Este modelo es desarrollado por Narimatsu et al. [?]. Se inspira en la idea de que los peatones evitan
colisiones con otras personas. Por ello el modelo dice que las reglas locales que rigen el movimiento de
los peatones se determinan automticamente sobre el proceso de simulacin. Por lo tanto introducen el
concepto de patrn de colisin sobre un rea de visin, y cada persona se ensea a no chocar con otras.
El peatn tiene permitido tres direcciones de movimiento, hacia delante, al frente a la izquierda y al
frente a la derecha, tal como se muestra en la figura ??. A cada peatn se le asigna una de las 4 velocidades
mximas, la cual mantiene en todo momento. El rea de visin cambia dependiendo de la direccin del
peatn. Se prohbe los movimientos de superposicin donde los peatones pretendan moverse a celdas que
se encuentren ocupadas.
Figura 3.8: Ilustracin del rea de visin para cada movimiento.
Adquisicin de reglas locales
1. En un principio todos los peatones fluyen dentro del pasillo. Con frecuencia cada uno choca con
otros peatones.
2. Cuando una persona choca con otra con direccin opuesta, se memoriza el patrn del rea de visin,
como un patrn de colisin. Este patrn se caracteriza de la siguiente manera:
a) Existencia de una pared (si:Y, no: N)

b) Nmero de personas con la misma direccin.
c) Nmero de personas con direccin opuesta.
Un ejemplo de este patrn se muestra en la figura ??. En este caso, el patrn de colisin se indica
como N0102
Figura 3.9: Ejemplo del patrn de colisin: N0102.
3. Este patrn no tiene informacin de la posicin de los peatones, por lo tanto un patrn como en
el ejemplo anterior, podra causar la colisin entre peatones. Es por esto que se determina una
probabilidad de colisin la cual se estima del resultado de las simulaciones de 2000 tiempos.
B
Probabilidad de Colisin = A
A: Nmero de peatones tienen este patrn.
B: Nmero de colisiones con peatones que tienen este patrn.
La probabilidad se considera cero si A es menor a 100. Tanto el patrn de colisin como la proba-
bilidad se le informa a todos los peatones simultneamente.
4. El peatn pone atencin sobre la rea de visin y tiende a elegir el patrn cuya probabilidad de
colisin es mnima. Si hay varios patrones con la misma probabilidad de colisin, las personas eligen
cualquiera de ellos de manera aleatoria.
5. Cuando ocurre una colisin, se regresa a (2) y entonces el proceso contina.
Los autores muestran resultados de sus simulaciones en diferentes tiempos, observando que a partir de
los 6000 pasos de tiempo lneas dinmicas logran formarse, semejandose a personas formadas en una fila.
3.3.3. Modelo de campo de piso
ste modelo fue desarrollado por Burstedde [?] quien introduce la idea del campo de piso. Las inter-
acciones entre individuos para distancias cortas son de tipo repulsivas y en distancias grandes son de tipo
atractivas. As los peatones mantienen su distancia y tiene la ventaja de seguir a otras personas con la
misma direccin.
El modelo maneja dos tipos de estados de animo: feliz o infeliz. El estado feliz son para los peatones
que tratan de moverse en su direccin deseada, mientras que los peatones con estado infeliz se mueven
aleatoriamente. De esta manera los peatones no bloquean el camino a otras personas reduciendo as
embotellamientos. Este estado de animo se alcanza despus de 4 iteraciones sin moverse.
M1,1 M1,0 M1,1
M0,1 M0,0 M0,1
M1,1 M1,0 M1,1
Figura 3.10: Matriz de preferencias M = (Mij ).
Modelo
Cada peatn cuenta con una matriz de preferencias la cual contiene las probabilidades de moverse a
una de las 8 celdas a su alrededor [?]. La actualizacin de las posiciones se hace en paralelo para todos
los peatones. Cuyo paso de tiempo es de 0.3 s.
Campo de piso
ste campo se puede pensar como una segunda cuadrcula, y puede ser discreto o continuo. Se dis-
tinguen de dos tipo de campo de piso: estticos y dinmicos. El campo de piso esttico S no cambia con
el tiempo ni con la presencia de los peatones. Se utiliza para modelar la atraccin del peatn a una zona
de inters, por ejemplo puertas de emergencia o escaparates de tiendas.
Cada peatn cuenta con un campo de piso dinmico D el cual se modifica con la presencia de otras
personas. Este campo se usa para modelar la atraccin entre peatones por medio de una estela que dejan
a su paso. La estela con el tiempo se desvanece. De esta manera los peatones pueden seguir los pasos de
otros.
La probabilidad de transicin pij para la direccin (i, j) est dada por
pij = N Mij Dij Sij (1 nij ) (3.8)

P
donde nij es 0 si la celda (i, j) est vaca y 1 si est ocupada, N es una factor que asegura que (i,j) pij = 1
para las nueve celdas de direccin, S = (Sij ) y D = (Dij ) son las matrices asociadas al campo de piso
esttico y dinmico respectivamente.
El algoritmo de movimiento es el siguiente:
1. El campo dinmico D se modifica de acuerdo a las reglas que se vern en la siguiente seccin.
2. Para cada peatn, calcula la probabilidad de moverse a una de las 8 celdas desocupadas a su
alrededor, determinada por la ecuacin (??).
3. El peatn elige una celda basado en la matriz de probabilidad de transicin P = (pij ).
4. Los conflictos cuando dos peatones o ms intentan moverse a la misma celda, se resuelve eligiendo
la mayor probabilidad relativa de cada peatn, como se muestra en la figura ??.
5. Los peatones tienen permitido avanzar solo una celda en cada paso de tiempo.
6. Los peatones alteran el campo dinmico de la celda que ocuparon despus de moverse.
(1)
M1,0
p1 = (1) (2)
(1) M1,0 +M1,1
M1,0 2 2
2 1
(2)
1 M1,1 1 (2)
M1,1
p2 = (2) (1)
M1,1 +M1,0
(a) (b) (c)
Figura 3.11: Solucin de conflictos para el caso de dos personas con misma celda objetivo con matrices
de preferencia M (1) y M (2) que corresponde al peatn 1 y 2 respectivamente.
A continuacin veremos la forma explicita de la interaccin entre peatones, modificando el campo

dinmico, nos concentraremos en los campos discretos; en caso de que el lector desea saber de los campos
continuos lo puede consultar en [?].
El campo discreto maneja dos tipos de partculas elementales: bosones y los fermiones3 . Cada fermin
esta asociado a un peatn. Los bosones impulsa a los fermiones a una direccin de preferencia e inducen
la interaccin entre ellos. Para cada fermin, la probabilidad de saltar a una celda aumenta de acuerdo al
nmero de bosones en cada celda. Por lo tanto, el movimiento se determina por el gradiente del campo
de piso, es decir, por la densidad de bosones.
A su vez los bosones se dividen en estticos (sbosones) y dinmicos (dbosones). Al inicio de la
simulacin, cada celda se fija con un nmero especifico de sbosones s (x, y). Siempre que un fermin
salte de la celda (x, y) a otra celda, el nmero de dbonsones a su alrededor de la celda destino se
incrementa a uno, formando una estela
d (x, y) d (x, y) + 1. (3.9)
Despus de que el fermin se mueva, el dboson ms viejo se elimina con una probabilidad pe , siempre
y cuando el tiempo de vida del bosn sea mayor a 1.
Para cada paso de tiempo los fermiones localizan las celdas vacas a su alrededor (nij = 0). La proba-
bilidad de saltar de la celda actual a una celda desocupada (i, j) esta dada por
pij = N eBJs s (i,j) eBJd d (i,j) (1 nij )dij (3.10)
con
s (i, j) = s (i, j) s (0, 0) y d (i, j) = d (i, j) d (0, 0) (3.11)
donde di es el factor de correlacin tomando en cuenta la direccin de la partcula en la celda 0 de donde

proviene. Las variables Js y Jd controla la intensidad de acoplamiento entre los fermiones y los bosones
estticos y dinmicos, respectivamente. Por su parte B juega el papel de una temperatura inversa.
El factor de correlacin dij se introduce con el fin de que los fermiones no confundan su estela.
3
Establece que no puede haber dos fermiones con todos sus nmeros cunticos idnticos. Los bosones pueden tener estados
cunticos simtricos por lo tanto no obedecen el principio de exclusin.
Sin embargo, esta formula no esta libre de colisiones. Por lo que, si m fermiones tratan de moverse a
las misma celda, solo a uno de ellos realiza este movimiento con una probabilidad 1/m. sta es otra forma
ademas de la vista en la figura ??.
En las simulaciones mostradas en [?] se observa formacin de lineas dinmicas en un pasillo. Para
situaciones de evacuacin se obtiene un semicirculo alrededor en una puerta de salida. Una de las ventajas
de los campos de piso es que el peatn puede desplazarse a travs de geometras complejas.
A pesar de que los autores de [?] muestran simulaciones de un pasillo con lneas dinmicas, stas no
presentan un aspecto real. Las lneas son totalmente horizontales.
3.3.4. Modelo de distancias sociales
Este modelo lo presentan Jaroslaw et al. [?] donde el espacio esta representado por celdas de 0.25 cm.
Los peatones se modelan por elipses cuyo centro coincide con el centro de la celda ocupada sobre una rejilla,
por lo que toman en cuenta alguna geometra que limita a cada celda. Cada elipse tiene a = 0.225 cm en
el eje semimayor y b = 0.135 cm de eje semimenor, estas medidas son tomadas como una aproximacin al
tamao de las personas. Los peatones pueden transferirse a otra celda en una vecindad de Moore de radio
1. Una persona puede tomar cuatro diferentes posiciones dentro de la celda tal como se muestra en la
figura ??, los cuales corresponden al giro de la elipse a: 0, 45, 90 y 135 grados respectivamente. Para
cada paso de tiempo se determina la combinacin de posiciones permitidas tomando en cuenta tanto la
orientacin de las elipses adyacentes y la interseccin entre ellas. Las posiciones permitidas son aquellas
donde la razn de interseccin es menor a la tolerancia impuesta N [0, 1].
0.024 0.104 0.176 0.24 0.0 0.003 0.115
0.0 0.039 0.012 0.0 0.331 0.133 0.207
Figura 3.12: Combinacin de 14 orientaciones de dos personas y clculos de interseccin de reas.
Representacin de las distancias sociales
El rea social del peatn se representa por medio de una elipse que emula el efecto territorial del
peatn. El centro de la elipse puede o no corresponder al centro del peatn. Los autores proponen que el
centro del rea social se encuentre a una distancia t enfrente del centro de peatn, de manera que el rea
de visin sea mayor al frente del peatn, dando as mayor importancia a lo que ocurre delante de l.
En la figura ?? se presenta la manera de calcular la distancia social entre O el observado y los
intrusos (A, B y D). Aqu rA es la distancia normalizada del centro del observado al centro del intruso
(|OA|), entre la distancia proyectada a la frontera del rea social en direccin del intruso (|OA0 |). La
distancia social entre peatones se describe como la fuerza de la distancia social, los autores proponen 4
formas de tal fuerza, como se presenta en la figura ??. La fuerza total que afecta al observador es la suma
de las fuerzas de cada intruso que se encuentran dentro del rea social. (por ejemplo: Fs = FA +FB +FC ).
A0
A
B
t A
O
|OA|
rA = |OA0 |
A
O
F
C
Figura 3.13: Elipse del rea social: el eje semimayor equivale a 4a y el eje semimenor a 5b. Desplazamiento
t a 0.7b
Cabe mencionar que esta fuerza no afecta a la orientacin del peatn (elipse).
|Fs |
|Fs |
Fmax
Fmax Fmax (r1)
Fs (r) = 0.5
(2n)n 1

0 r 0 r
0 0
0.5 1 0.5 1
(a) Lineal (b) Potencial

|Fs | |Fs |
Fmax = v0 Fmax = v0
v1 v1
v2 v2
v3 v3
0 r 0 r
0 0
t0 t1 t2 1 t0 t1 t2 1
(c) Saltos (c) Poligonal
Figura 3.14: Ejemplos del tipo de fuerza social que puede aplicarse para mantener una distancia entre
individuos.
Algoritmo de movimiento
El algoritmo de movimiento consta de tres estados: ir a, esperar en un objetivo intermedio y esperar.
1. Verificar estado actual. Si el estado es ir a entonces ir a 2, si es esperar en un objetivo intermedio

entonces ir a 4 si es esperar entonces ir a 5.
3.4 Modelo de Klpfel 49
2. De la vecindad de Moore de radio 1, se elige la celda con menor potencial. En caso de que haya ms
de una celda con potencial mnimo, entonces elegir aquella que tenga el mximo grado de libertad.
3. Verificar si es objetivo intermedio. Si lo es, entonces ir a 4, si no entonces regresar a 1.
4. Si el objetivo es una salida, entonces detenerse. Si no, entonces verificar si existe un nuevo objetivo
e ir a 1. Si no hay nuevo objetivo entonces ir a 5.
5. Verificar si se desea dejar el rea de espera. Si se desea dejar entonces ir a 1. Si no ir a 6.
6. Verificar si se ha violado su rea social, si si entonces determinar de una vecindad de radio 1 la celda
ms cmoda, si no entonces ir a 5.
La orientacin del peatn cambia durante el movimiento a la nueva celda. El tipo de orientacin que
lleva el peatn siempre es en direccin del movimiento, en caso de tener una orientacin no permitida
entonces se elige una que si lo sea, de manera aleatoria. Cabe mencionar que las fuerzas sociales no afectan
al cambio de orientacin.
Los peatones poseen objetivos a los cuales se mueven a travs de un potencial de campo (similar al
campo de piso) donde se elige la celda con menor valor del campo. En caso de que existieran ms de una
celda a elegir, se escoge cualquiera de ellas de forma aleatoria.
El estado, donde las fuerzas sociales tiene influencia en los peatones es cuando estn en estado de
espera. Cada peatn en este estado es influenciado por lo dems peatones. Si las fuerza social exceden el
umbral, entonces el peatn calcula una nueva celda objetivo, cambiando su estado a ir.
A continuacin describiremos los modelos que se han implementado: Modelos de Klpfel (apartado
3.4) y el Modelo de dos procesos (apartado 3.5).
3.4. Modelo de Klpfel
Esta seccin se enfoca al modelo de Klpfel [?]. A diferencia de la mayora de los modelos con autmata
celular, ste trabaja con una velocidad mxima mayor a uno, por lo que cada peatn puede avanzar ms
de una celda en cada paso de tiempo.
Las suposiciones del modelo para el estudio del movimiento de personas son [?]:
1. La dinmica se puede representar por un autmata celular, es decir, por un modelo espacial y
temporalmente discreto.
2. La orientacin se basa en la sealizacin hacia un salida. Las desviaciones a la salida se pueden

considerar como fluctuaciones de la direccin. La eleccin de la ruta est predeterminada.
3. Una conducta irracional se pueden incluir en desviaciones de movimiento como fluctuaciones de la

velocidad.
4. Cada persona trata de optimizar el tiempo de recorrido de un punto a otro.
5. Las caractersticas individuales se pueden tomar como parmetros que determinan la conducta del
peatn, principalmente la velocidad de caminata y la capacidad de orientacin.
6. Las diferencias anteriores y por tanto los parmetros se comportan como distribuciones estadsticas.
Estas suposiciones se justifican por el hecho de que el proceso cognitivo4 se basa en decisiones que estn
ms all de nuestro entendimiento [?]. Las llamadas Heursticas simples5 con frecuencia son ms difciles
de modelar que la situaciones a detalle. Por lo tanto, esta etapa de desarrollo para adquirir habilidades
cognitivas es aceptada y no se modelan. En su lugar, los resultados de estos procesos son directamente
incorporados en la simulacin, por ejemplo, la percepcin y el proceso de sealizacin de salida, como se
muestra en la figura ??, se transforma en informacin acerca de la mejor direccin de caminata incorporada
en las celdas.
Figura 3.15: Sealizacin para guiar al peatn hacia la salida ms prxima. Las fechas son vectores
apuntando a la celda de salida.
3.4.1. Definiciones bsicas
El sistema es una cuadrcula de dimensin xmax ymax celdas. El control de las celdas se maneja
numerando de izquierda a derecha y de arriba hacia abajo. Por comodidad hemos cambiado esta ltima
parte, numeramos de abajo hacia arriba. As la vecindad N para la celda r es {r vmax (1+xmax +vmax i+
j)} con i, j = 0, 1, . . . , 2vmax , donde vmax es la velocidad mxima del peatn. Por lo tanto la vecindad de
radio vmax , consta de (2vmax + 1)2 celdas.
En la figura ?? se observa la numeracin de las celdas de una estructura junto con tres peatones de
color azul. Debido a que la velocidad mxima de cada peatn es diferente, el tamao de la vecindad
alrededor de ellos cambia.
Las celdas son ocupadas por paredes, obstculos o por peatones y cada una contiene una sealizacin
hacia la salida ms prxima. Para este caso los estados que se manejan son:
S = (o, w, n, P (n), V ) (3.12)
donde w y o determinan si la celda es una pared o un obstculo, respectivamente. Los valores pueden ser
cero o uno, es decir, si w es uno entonces la celda es una pared. Cada celda solo puede ser ocupada por
un peatn. El trmino n es el ndice del peatn ocupando la celda, P (n) el conjunto de parmetros que
describe al peatn n, y finalmente V es la direccin, la cual se puede interpretar como un gradiente. Para
el caso de geometras ms complejas como en la figura ??, la orientacin es bsica para las simulaciones.
Las direcciones se pueden representar mediante un campo escalar o vectorial. Existen diferente tcnicas
para construirlas, ver [?, ?].
4
Los procesos cognitivos, es decir aquellos procesos psicolgicos relacionados con el atender, percibir, memorizar, recordar
y pensar, constituyen una parte sustantiva de la produccin superior del psiquismo humano.
5
Las Heursticas son reglas simples y eficientes que se han propuesto para explicar cmo la gente toma decisiones.
315.0 316.0 317.0 318.0 319.0 320.0 321.0 322.0 323.0 324.0 325.0 326.0 327.0 328.0 329.0 330.0 331.0 332.0 333.0 334.0 335.0
294.0 295.0 296.0 297.0 298.0 299.0 300.0 301.0 302.0 303.0 304.0 305.0 306.0 307.0 308.0 309.0 310.0 311.0 312.0 313.0 314.0
273.0 274.0 275.0 276.0 277.0 278.0 279.0 280.0 281.0 282.0 283.0 284.0 285.0 286.0 287.0 288.0 289.0 290.0 291.0 292.0 293.0
252.0 253.0 254.0 255.0 256.0 257.0 258.0 259.0 260.0 261.0 262.0 263.0 264.0 265.0 266.0 267.0 268.0 C
269.0 270.0 271.0 272.0
231.0 232.0 233.0 234.0 235.0 236.0 237.0 238.0 239.0 240.0 241.0 242.0 243.0 244.0 245.0 246.0 247.0 248.0 249.0 250.0 251.0
210.0 211.0 212.0 213.0 214.0 215.0 216.0 217.0 218.0 219.0 220.0 221.0 222.0 223.0 224.0 225.0 226.0 227.0 228.0 229.0 230.0
189.0 190.0 191.0 192.0 193.0 194.0 195.0 196.0 197.0 198.0 199.0 200.0 201.0 202.0 203.0 204.0 205.0 206.0 207.0 208.0 209.0
168.0 169.0 170.0 171.0 172.0 173.0 174.0 175.0 176.0 177.0 178.0 179.0 180.0 181.0 182.0 183.0 184.0 185.0 186.0 187.0 188.0
147.0 148.0 149.0 150.0 151.0 152.0 153.0 154.0 155.0 156.0 157.0 158.0 159.0 160.0 161.0 162.0 163.0 164.0 165.0 166.0 167.0
126.0 127.0 128.0 129.0 130.0 131.0 132.0 133.0 B

134.0 135.0 136.0 137.0 138.0 139.0 140.0 141.0 142.0 143.0 144.0 145.0 146.0
2vmax + 1
105.0 106.0 107.0 108.0 109.0 110.0 111.0 112.0 113.0 114.0 115.0 116.0 117.0 118.0 119.0 120.0 121.0 122.0 123.0 124.0 125.0
84.0 85.0 86.0 87.0 88.0 A

89.0 90.0 91.0 92.0 93.0 94.0 95.0 96.0 97.0 98.0 99.0 100.0 101.0 102.0 103.0 104.0
63.0 64.0 65.0 66.0 67.0 68.0 69.0 70.0 71.0 72.0 73.0 74.0 75.0 76.0 77.0 78.0 79.0 80.0 81.0 82.0 83.0
42.0 43.0 44.0 45.0 46.0 47.0 48.0 49.0 50.0 51.0 52.0 53.0 54.0 55.0 56.0 57.0 58.0 59.0 60.0 61.0 62.0
21.0 22.0 23.0 24.0 25.0 26.0 27.0 28.0 29.0 30.0 31.0 32.0 33.0 34.0 35.0 36.0 37.0 38.0 39.0 40.0 41.0
0.0 1.0 2.0 3.0 4.0 5.0 6.0 7.0 8.0 9.0 10.0 11.0 12.0 13.0 14.0 15.0 16.0 17.0 18.0 19.0 20.0
2vmax + 1
Figura 3.16: Los crculos azules representan las celdas ocupadas y sus vecindades respectivas en tonos de
grises.
Cabe sealar que los tres parmetros de mayor importancia son: la longitud de la celda a (en metros
/celda), la velocidad mxima vmax (en celdas/paso de tiempo) y t (paso de tiempo). La longitud de las
celdas se puede calibrar usando la densidad observada emp emp 1
max : la relacin entre estas es max a2 . Algunos
autores manejan esta densidad como 6 personas por metro cuadrado [?], luego la longitud de la celda es
a = 0.4 m. La velocidad mxima y la escala de tiempo (tiempo de reaccin) estn relacionados mediante
emp a vmax
vmax = (3.13)
t
Si t se interpreta como el tiempo de reaccin, vmax se puede determinar midiendo este tiempo. Los
resultados de pruebas psicolgicas indican que el tiempo de reaccin (el tiempo para tomar una decisin)
es de 1 segundo [?]. Por consiguiente, la velocidad mxima est entre 2 y 5 celdas por t (de acuerdo a
la poblacin en estudio). Lo cual corresponde a una velocidad de 0.8 a 2 m/s.
Por su parte, las fluctuaciones que existen en la direccin V son gobernadas por los parmetros pstop es la
probabilidad de desacelerar (detenerse en un subpaso de tiempo) y psway , es la probabilidad de desviarse
de una direccin dada. Los valores para pstop estn entre 0 y 0.1 y psway entre 0 y 0.03 (distribuidos
uniformemente) [?]. Cuando pstop y psway son cero (modelo determinista), los peatones no disminuyen su
velocidad ni se detienen, por lo que siempre llevan una velocidad constante y la separacin entre ellos
es la misma todo el tiempo. Esto resulta imposible en situaciones reales, por ello se recomienda usar un
modelo estocstico.
Ahora bien, habitualmente la regla de correspondencia de la funcin de transicin (ecuacin (??)) se
define a travs de un conjunto de reglas que cambian el conjunto de estados de una clula tomando en
cuenta los estados de las celdas de su vecindad N . Un peatn slo puede moverse a una celda (vaca) que
est en su vecindad N y que no sea un obstculo o pared. En caso de que el peatn se mueve, cambian
los estados tanto de la celda que dej como a la que se movi.
3.4.2. Algoritmo de movimiento
Supongamos que r es la celda ocupada por un peatn, el conjunto de reglas que rigen el movimiento
de los peatones del modelo de Klpfel est definido por la secuencia siguiente:
1. Tratar de acceder a la celda deseada d (d = r + V (r)).
2. Si no es posible, tratar de ir a una celda vecina. Primero se busca a 45o de la celda deseada, ver
figura ??.
3. Si tampoco es posible acceder, entonces tratar de moverse a una celda vecina a 90o respecto a la
celda deseada.
4. Si no es posible acceder a ninguna de esas 5 posibles celdas, entonces detenerse.
5. El peatn se detiene con probabilidad pstop .
6. La probabilidad psway , se desva a 45o respecto a la direccin elegida en las etapas 1 a 3.
7. Finalmente el peatn avanza a la celda calculada en los pasos anteriores.

o
o
r
45
90
+
r
)
)
V
+
r + V (r) r + v(r) + 45o
(r
V
(r
(r
)+
(r
V
)
+
+
45
o
r
r
r + V (r) + 90o
r + V (r) 45o
r + V (r) 90o
r r
r
+
V
(r
)+
90
o
Figura 3.17: Ilustracin de la notacin usada en las direcciones del algoritmo de movimiento. La fecha
corresponde a la direccin deseada del peatn.

La figura ?? muestra el diagrama de movimiento de los peatones. Note que el valor 2 1.41 se toma
para los movimiento en diagonal y corresponde a una distancia mayor que la recorrida en los movimientos
horizontales o verticales. Por ejemplo, para una velocidad vmax = 5, el peatn tiene permitido cinco pasos
verticales u horizontales o cuatro pasos en diagonal. Este nmero de pasos es ms claro cuando el tamao
de la celda es ms pequeo, aproximndose a una vecindad de forma circular.
Dado que r es un escalar (nmero de celda) entonces V (r) tambin es escalar y denota l nmero de celda
destino. V (r) puede manejarse como vector siempre que r sea la posicin del peatn. Por conveniencia
los desvos en la figura se denotan como ngulos, ms adelante mostraremos la forma de manejar estos
ngulos como vectores o nmero de celda. Cuando d = r en peatn permanece en la misma celda, sin
embargo el tiempo sigue corriendo por lo tanto tsub aumenta en 1.
3.4.3. Trayectorias y distancia social
El algoritmo calcula la trayectoria total del peatn. Cada paso de tiempo t se divide en subpasos de
tiempo donde todos los peatones calculan una parte de su trayectoria. Al completar t todos los peatones
actualizan su posicin, llamando a esto actualizacin en paralelo.
INICIO
no
rand< pstop d = r + V (r)
c(d) = 0 rand > 0.5 k=1
k = 1 d = r + V (r) + k45o
c(d) = 0 d = r + V (r) k45o
c(d) = 0 d = r + V (r) k90o

si
c(d) = 0 d = r + V (r) + k90o
c(d) = 0
rand > psway rand > 0.5 s = d 45o
s = d + 45o c(s) = 0 d=s

d=r
|r d| < 1.41 tsub = tsub + 1.41
tsub = tsub + 1 tsub > vmax MOVER
r=d
Figura 3.18: Diagrama de movimiento para el modelo de Klpfel. El algoritmo se aplica hasta calcular la
trayectoria del peatn. Donde r es la celda actual del peatn, V (r) la celda destino, c es la ocupacin de
la celda, tsub la distancia recorrida en cada subpaso de tiempo y vmax es la velocidad mxima del peatn.
Figura 3.19: Ilustra la trayectoria de dos peatones caminando en misma direccin. La distancia entre ellos
se debe a la velocidad del peatn rojo.
A diferencia del modelo de fuerza social [?], este modelo no mantiene un distancia entre los peatones,
parecida al efecto territorial [?]. Sin embargo, si vmax > 1 y el peatn bloquea todas las celdas que utiliza
en su trayectoria, entonces automticamente este mantiene una distancia entre el peatn que est detrs
de l, proporcional a la velocidad que lleva, ver figura ??.

i j
Adems, las velocidades mximas individuales vmax 6= vmax permiten a las personas avanzar un nmero
mximo de subpasos:
i

i 1, para t = 1, 2, . . . , vmax ,
vsub = i (3.14)
0, para t = vmax + 1, . . . , vmax .
Las trayectorias y las posiciones en cada paso de tiempo se almacenan en un matriz T de tamao
N (vmax + 1), donde N es el nmero total de peatones en el sistema y vmax = maxi vmax i es la velocidad
mxima de la persona ms rpida. Esto es Tij {1, 2, . . . , xmax ymax } , donde ri1 = Ti1 son la posiciones
actuales de los peatones. Si cada peatn lleva una velocidad mxima menor a la velocidad mxima global
i
vmax < vmax , las entradas posteriores a su trayectoria sern iguales, es decir, el peatn slo tiene permitido
i
avanzar vmax subpasos (celdas):

T10 T1vmax
T = ... .. .. (3.15)

. .
TN 0 TN vmax
Una celda puede ser ocupada por a lo ms un peatn, es decir, que Ti,0 6= Tj,0 i 6= j. Existen cuatro
posibilidades concernientes a las restricciones de las trayectorias que se describen a continuacin y se
ejemplifican en la figura ??:
1. Salta o para: Si Tivmax+1 = Tj1 para cualquier j 6= i. En este caso los peatones se mueven slo si
la celda destino est libre.
2. Moverse lo ms lejos posible: Tir 6= Tjvmax+1 i 6= j, r. Esta versin permite cruce de trayec-
torias. El destino final es Tivmax = Tir con r = maxTis 6=Tjvmax (s). A diferencia de la primera, el
peatn avanza hasta encontrar otra persona en su camino.
3. Subpasos: Tir 6= Tjr r, i 6= j. En este caso los peatones no tienen acceso a la misma celda en el
mismo subpaso de tiempo. Para la actualizacin en paralelo esta versin puede requerir demasiado
esfuerzo computacional, ya que se verifica la condicin para todos los peatones en cada subpaso de
tiempo.
4. Sin cruce de caminos: Tir 6= T jsi 6= j, r, s. Esta regla no permite el cruce de trayectorias.
Las cuatro reglas han sido implementadas por Klpfel [?], ellos mencionan que la cuarta regla fue
la mejor opcin, debido a que se acerca ms al diagrama fundamental emprico. Por ello, nos hemos
decantado por esta regla. La implementacin se realiza mediante el bloqueo completo de la trayectoria
de cada peatn, posteriormente se actualizar la posicin. Como ya hemos mencionado el clculo de las
trayectorias se realiza en subpasos de tiempo de t, calculando una parte de la trayectoria. Cada celda
en la trayectoria es bloqueada cambiando su estado a ocupado, de esta manera se evita revisar toda la
matriz de trayectorias para verificar que se cumpla la regla.
|
A A A
C C
B D B D B B D D
C C
Salta o Para Moverse lo ms lejos posible
A A A A
C C
B B D D B B D
C C
Subpasos Sin cruce de caminos
Figura 3.20: Las diferentes maneras de definir una trayectoria. Las lneas punteadas muestran la trayectoria
del peatn. La lnea roja significa que el peatn permaneci en su misma celda.
3.4.4. Modificacin del modelo
Distancia social
De la experiencia que obtuvimos con el modelo de fuerza social observamos que el modelo de Kpfel
no considera la distancia social entre peatones. El problema se presenta justo cuando dos peatones se
encuentran de frente, ya que al momento de cambiar de direccin ambos pueden desviarse por el mismo
lado, permitiendo el cruce de trayectorias como se muestra en la figura ??.
(a) (b) (c)
Figura 3.21: (a) muestra el caso donde ocurre cruce de trayectorias, (b) y (c) son soluciones al conflicto.
Por lo tanto sugerimos dos alternativas de solucin a este problema, las cuales son:
1. Bloquear la celda a 90o en la direccin de desvi, el peatn que se actualice primero gana el lado
bloqueando la celda. De este modo el otro peatn deber elegir la direccin opuesta, como se muestra
en la figura ??.
2. Bloquear una celda entre dos peatones que van en direcciones opuestas, de tal manera que el peatn
que se desvi primero obligar al otro a moverse en direccin contraria, ver figura ??.
Se eligi la segunda alternativa, ya que se mantiene una distancia social y solo bloquearamos una celda
en lugar de dos, lo cual dara mejor rendimiento en su ejecucin. Para ello se aumento un estado ms en
las celdas donde 0 para las celdas vacas, 1 para las celdas ocupadas por un peatn y 0.5 para la celda
0 0 0
0 1 0.5 1 1 1
0 0 0
(a) (b) (c)
Figura 3.22: (a) muestra la configuracin de las celdas donde 0 son las celdas vacas, 1 las ocupadas por
un peatn y 0.5 por la presencia de un peatn, (b) conjuntando la celda de presencia y (c) desvi a partir
de la celda como distancia social.
(a) (b) (c)
Figura 3.23: (a) Caso para cruce de direcciones, (b) y (c) son las posibles desviaciones. Cada uno siguen
su direccin deseada llevando la celda de distancia el frente.
en direccin deseada, de esta manera los peatones sienten su presencia. El peatn puede avanzar ya que
este valor no denota una celda ocupada, figura . En el momento en que dos peatones se encuentran de
frente, la presencia de los dos se conjunta sumando estos valores dando como resultado una celda ocupada
(artificialmente), figura ??, provocando el desvi.
En cruce de direcciones, la distancia social sigue permaneciendo haciendo que los peatones se desven
en direcciones opuesta entre si. La figura
3.4.5. Simulaciones numricas
En este apartado se presentan las simulaciones del trfico petonal uni y bidireccional sobre un pasillo
utilizando el modelo de Klpfel. Los programas se implementaron en la plataforma de Python y se presen-
tan en el Anexo A. El pasillo esta formado de 125 25 celdas (50 10 metros). Los peatones entran cada
2 segundos cuya posicin inicial es aleatoria justo al borde del pasillo. Esta posicin tiene una distribucin
normal centrada a la mitad del pasillo con 4 celdas de varianza. El nmero de peatones que entran tambin
es aleatorio entre 0 a 6. Las velocidades que toman los peatones se distribuyen gaussianamente con media
1.34 m/s y varianza de 0.26 m/s.
Para estas pruebas numricas no se consideraron fluctuaciones, por lo tanto el parmetro psway = 0.
Tuvimos que definir dos listas de direcciones para los movimientos permitidos de los peatones. Una
contiene los vectores escalados de tal manera que el peatn pueda acceder a la celda deseada y la otra
los nmeros que puede tomar para acceder a las celdas vecinas. Es posible identificar a qu direccin nos
referimos, ya que se numeran en sentido de las manecillas del reloj, ver figura ??
Vec = {(0, a), (a, a), (a, 0), (a, a), (0, a), (a, a), (a, 0), (a, a)}
Num = {LC, LC + 1, 1, LC + 1, LC, LC 1, 1, LC 1}
donde LC es el nmero de celdas a lo largo del pasillo y a es el tamao de la celda.
(7) (0) (1)
(6) (2)
(5) (4) (3)
Figura 3.24: Las direcciones que puede tomar el peatn son numeradas en sentido de las manecillas del
reloj.
Modelo original
La primera simulacin consiste en un pasillo con un flujo unidireccional de izquierda a derecha y se

muestra en la figura ??. Las condiciones de frontera consideradas para esta simulacin son abiertas por
los extremos del pasillo.
Figura 3.25: Simulacin de un flujo unidireccional utilizando el modelo de Klpfel en un pasillo, con
condiciones de frontera abiertas.
Para la simulacin bidireccional se expandi la cuadrcula de manera ficticia, ya que al introducir a los
peatones y eliminarlos resultaba confuso, puesto que se eliminaban los que estaban en las fronteras del
pasillo y al mismo tiempo los peatones que entraban. Por lo tanto, los peatones se introducen sobre una
lnea de celdas y se eliminan en otra, ver figura ??. Los peatones azules caminan de izquierda a derecha
y los rojos en sentido contrario. Cabe mencionar que hemos podido simular cerca de 1000 personas
dentro del pasillo. El principal problema del modelo original de Klpfel es que no logra formar lneas
dinmicas, los peatones no se auto-organizan. A partir de esto nos dimos cuenta que el modelo contena
otras problemticas como no dejar una distancia entre peatones, ya que se desviaban casi al momento de
chocar con otra persona. En estas desviaciones ocurran cruces de trayectorias en movimientos diagonales.
Por eso modificamos el modelo.
Modelo modificado
En la figura ?? observamos la simulacin del modelo modificado con la distancia social. Sin embargo
con sta modificacin no fue suficiente para que el modelo sea capaz de reproducir las lneas dinmicas.
Figura 3.26: Simulacin del flujo bidireccional en un pasillo con condiciones de frontera abierta. Los
peatones azules avanzan de izquierda a derecha y rojos en sentido contrario. Los peatones no tienen una
auto-organizacin.
Figura 3.27: Modelo de Klpfel modificado.
Parmetro de lado derecho
Hao Yue et al. [?, ?] introducen un parmetro de lado derecho (modelo de parmetros dinmicos)
para lograr que el flujo se divida en dos corrientes en una simulacin bidireccional. Por lo que decidimos
aumentar la probabilidad de desvo al lado derecho cuando el peatn no puede acceder a la celda objetivo.
En la figura ?? se observa que a pesar de que los peatones eligen desviarse a la derecha en las simulaciones
no es muy claro para densidades bajas, figura ??. Sin embargo, para densidades altas en pasillos con
fronteras abiertas son un poco ms claras las corrientes de flujo que forman los peatones al desviarse a su
lado derecho, figura ??.
(a) (b)
Figura 3.28: Flujo bidireccional con frontera abierta y parmetro de lado derecho.
Sin embargo, para el caso donde las fronteras son de tipo peridica la velocidad n la que se divide el
flujo depende de la probabilidad que le asignemos a desvirase de lado derecho. Sin embargo, es posible que
el flujo se divida sin tener que modificar esta probabilidad. Esto debido a que la informacin que obtiene
los peatones de las celdas ocupadas y libres no se pierde una vez que estos hayan llegado a la frontera de
esta manera los peatones llegan auto-organizarse, figura ??.
(a) (b)
Figura 3.29: Flujo bidireccional con frontera peridica sin parmetro de lado derecho.
Situaciones de bloqueo
En la figura ?? se presenta un bloqueo debido a la alta concentracin de peatones dentro del pasillo.
Esta situacin se observa tanto para las fronteras abiertas como para las peridicas. Una vez que un
pequeo grupo de personas se bloquean entre si es difcil que logran salir de esa situacin provocando
que se ms personas se acumulen. Esta situacin se debe a que no existen un parmetro que perturbe el
comportamiento de los peatones y con ello se logre moverse.
(a) (b)
Figura 3.30: Situacin de bloqueo. (a) comienza el bloqueo, (b) bloqueo casi terminal.
3.4.6. Resumen y observaciones
Este modelo considera una velocidad mxima mayor a 1 celda por paso de tiempo. Las direcciones de
movimiento son: lateralmente, en diagonal y al frente. Es un modelo estocstico al tomar las probabilidades
pstop y psway que reduce la velocidad y desva al peatn de una direccin dada respectivamente, si estas
ambas probalilidades son 0 entonces el modelo es determinista.
En un inicio implementamos el modelo original de Klpfel, uni y bidireccionalmente. De las simulaciones
bidireccional observamos que no existan una auto-organizacin de los peatones. Notamos que el desvo
de la direccin del peatn ocurre cuando desea esquivar a otra persona que se encuentra justo frente
l. Dando una apariencia de que el peatn camina con la vista al piso, percatndose de lo que ocurre
a unos centmetros delante de l. Adems observamos que los peatones al momento de desviarse en un
movimiento diagonal violaba el cruce de trayectorias.
A partir de estas problemticas decidimos proporcionarle al peatn una distancia social de tal manera
que se solucionara el cruce de trayectorias y pueda desviarse antes de chocar con otros peatones.
A pesar de que la distancia social logr resolver las problemticas que tenamos con el modelo de
Klpfel, no se logro una auto-organizacin. Por ellos decidimos buscar e implementar otro modelo.
3.5. Modelo de dos procesos
Este modelo es introducido por Victor Blue y Jeffrey Adler en [?, ?], el cual tiene un parecido a los
modelos para flujo vehicular con autmatas celulares [?]. El modelo supone que existen tres elementos
fundamentales del movimiento peatonal bidireccional, movimiento lateral, avance y mitigacin de con-
flictos. El movimiento lateral se refiere al cambio de lnea (en flujo vehicular es cambiar de carril), ya
sea para incrementar la velocidad o evitar conflictos. El avance se adapta a la velocidad deseada de cada
peatn y a la posicin de otros peatones frente a l. La mitigacin de los conflictos es la manera que los
peatones se aproximan entre s en direcciones opuestas para evitar un punto muerto (bloqueo). Al igual
que los modelos de parmetros dinmicos [?], el intercambio de posiciones es permitido, siempre y cuando
dos peatones en direccin opuesta tengan gap = 0 1 celda de distancia con una probabilidad llamada
pexchg [?]. En el 2001 los autores aplican una pequea modificacin al modelo de tal manera que este sea
capaz de simular el fenmeno de lneas dinmicas. Cabe mencionar que para los movimientos permitidos
de los peatones se utiliza la vecindad de von Neumann como se muestra en la figura ??.
k+2
k+1
k1
k2
Figura 3.31: Ilustracin de los movimientos permitidos del peatn en el modelo de dos procesos.
El conjunto de reglas de movimiento se describe a continuacin.
1. Cambio de lnea (Actualizacin en paralelo 1)
a) Eliminacin de conflictos: dos peatones que se encuentran lateralmente adyacentes no pueden

cambiarse a la misma lnea. Si existe una celda entre ellos entonces sta se asignar con la
misma probabilidad a uno de ellos.
b) Identificacin del gap: en la misma lnea o lneas adyacentes se escoge la que tenga mayor
avances hacia delante para alcanzar su velocidad mxima vmax , de acuerdo al subproceso para
calcular el gap, seguido del paso de actualizacin de avance.
i Formacin de lneas dinmicas:
- Un paso fuera de la lnea o carril de un peatn con direccin opuesta mediante la
asignacin gap = 0, si el peatn se encuentra dentro de 8 celdas.
- Un paso hacia atrs de un peatn con la misma direccin cuando se evita a un peatn
con direccin opuesta eligiendo cualquiera lnea disponible con gapsame,dir = 0 cuando
gap = 0
ii Las lneas con el mismo gap de longitud mxima se resuelve de la siguiente manera:
- Para dos lneas adyacentes se escoge una misma probabilidad.
3.5 Modelo de dos procesos 61
- Para dos lneas donde una de ellas sea la actual lnea, se escoge seguir en las misma
lnea.
- Para las tres lneas, se escoge seguir en la misma lnea.
c) Movimiento: cada peatn pn se mueve a la lnea elegida al completar los pasos i y ii.
2. Avance (Actualizacin en paralelo 2)
a) Actualizacin de velocidad: Sea v(pn ) = gap donde el gap es calculado en 3.

b) Cambios: Si gap = 0 o gap = 1 y gap = gapopp (es decir, para peatones en direccin opuesta).
Entonces con probabilidad pexchg , v(pn ) = gap + 1, si no entonces v(pn ) = 0.
c) Movimiento: cada peatn pn se mueve v(pn ) celdas hacia delante sobre la retcula.
3. Subproceso: Clculo de gap, se toma 8 celdas adelante de visin como mximo (8 = 2 Vmax , donde
Vmax es la velocidad maxima ms grande de todos los peatones).
a) Peatones con misma direccin: Si se encuentra una celda ocupada con la misma direccin,
entonces se asigna a gapsame el nmero de celdas entre los peatones, si no gapsame = 8.
b) Peatones con direccin opuesta: Si se encuentra un peatn con direccin opuesta, entonces
gapopp = int (0.5*nmero de celdas entre ellos), si no gapopp = 4
c) Asignacin del gap = min(gapsame , gapopp , vmax )
INICIO
Actualizacin en paralelo 1
Calcular
gap(k)
c(k 2) = 0 si Calcular
rand< 0.5 gap(k 1)
no
c(k + 2) = 0 Calcular
gap(k 1) = 0 rand< 0.5 gap(k + 1)
Actualizacin en paralelo 2
gap(l) = 0, 1 Avanzar
Cambiarse gap = gapopp
gap(k + 1) = 0 gap + 1
a la linea l. rand < pexchg celdas.
Avanzar
gap celdas. FIN
Figura 3.32: Diagrama de movimiento para le modelo de dos procesos. Donde c(k+2), c(k+1), c(k), c(k1)
y c(k 2) toma el valor 0 para las celdas vaca y diferente de 0 paras las ocupadas. La lnea de mayor
alcance se define como l = {l {k, k + 1, k 1} | gap(l) = max[gap(k), gap(k + 1), gap(k 1)]}.
La primera etapa de actualizacin en paralelo, es un conjunto de reglas que se aplican a cada peatn
para determinar el cambio de lnea (carril), basado en las condiciones actuales. La lnea que se escoger es
aquella tenga mayor avance hacia delante ya sea izquierda, derecha o la misma lnea en que se encuentra.
Despus de lo anterior todos los peatones actualizan su posicin moviendose a la lnea elegida. La segunda
etapa actualizacin en paralelo, consiste en un conjunto de reglas de movimientos hacia delante que se
aplican a cada peatn. El movimiento permitido (y por lo tanto la velocidad) de cada peatn se basa en la
velocidad deseada de cada uno de ellos, restringido al espacio disponible (gap) para avanzar. Finalmente
todos lo peatones saltan de la posicin actual a la calculada.
(a) (b) (c)
Figura 3.33: Ejemplo de la primera actualizacin en paralelo. (a) Muestra la eliminacin de conflictos, (b)
asignacin de lnea, (c) cambio de lnea.
En la figura ?? se muestra un ejemplo de la primera actualizacin en paralelo. La figura ?? exhibe

un ejemplo de cmo el peatn azul pierde la asignacin de la celda de su izquierda debido a que la
probabilidad favoreci al peatn rojo. La celda a su derecha est disponible por lo tanto se calcula que
lnea proporciona el mayor avance hacia delante. Finalmente en la figura ?? actualiza las posiciones;
aquellos que no cambiaron de lnea es porque en ella alcanzan su velocidad mxima.
3.5.2. Modificacin del modelo
El modelo permite intercambio de posiciones cuando estos van en direccin contraria y se encuentra
de frente o a una celda de distancia, ver figura ??.
(a) (b)
Figura 3.34: (a) Ilustra el caso cuando dos peatones se encuentran de frente (b) la probabilidad pexchg
favorece cambiar de posiciones, continuando as con camino.
Nosotros consideramos que las personas no realizan este tipo de cruce, por lo que descartamos la idea
de intercar las posiciones o traslapes entre cuerpos. Por lo tanto, eliminamos esta parte junto con la
probabilidad de intercambio pexchg .
Por otro lado, el modelo no toma en cuenta algn tipo de distancia social, excepto cuando gap = 1 para
direcciones opuestas. Por ello decidimos aumentar la distancia social restando una celda de la siguiente
manera
gapopp = int (0.5*nmero de celdas entre ellos) 1

3.5 Modelo de dos procesos 63
No debe de haber problemas incluso cuando gapopp = 1 ya que siempre es una distancia positiva
mayor a cero al calcular gap. Adems consideramos 10 celdas de visin en lugar de 8. As aseguramos la
existencia de una distancia social entre ellos al calcular el gap, descartando la posibilidad de encontrarse
cara a cara. Sin embargo hasta ahora no hemos podido introducir de otra forma una distancia social para
considerar los lados del peatn.
3.5.3. Simulaciones numricas
Se construy un modelo a escala de un humano usando medidas estndar de la antropometra del

cuerpo humano [?], con el fin de que las simulaciones sean mucho ms realistas, ver figura ??.
Figura 3.35: Figura de un humano realizada en Python
Para la simulacin consideramos un pasillo de dimensiones 10 m de ancho y 50 m de largo, con celdas

de tamao 0.4 m, el paso de tiempo t = 1 s, y la velocidad mxima de 5 celdas por segundo (2 m/s).
Modelo original
Comenzamos la simulacin con el modelo original. En la figura ??, las franjas azules representan las
paredes (fronteras cerradas) y las verdes con las entradas al pasillo (fronteras abiertas). Los peatones
entran aleatoriamente de 0 a 10 personas por cada 6 segundos en los extremos. La densidad dentro del
pasillo se mantiene cerca de las 190 personas. En la simulacin notamos la formacin de lneas dinmicas
y el comportamiento se lleva a un estado ptimo . A pesar de estos resultados, creemos que el intercambio
de posiciones (bajo pexchg ) es algo que no debera de permitirse.
Figura 3.36: Simulacin del flujo bidireccional mediante el modelo de dos procesos modelo original.
Modelo modificado
En este caso utilizamos el modelo original sin el parmetro pexchg . Con este modelo no se logr obtener
la formacin de lneas dinmicas. En ocasiones se formaban algunas lneas dinmicas. Sin embargo, despus
algunos pasos de tiempo se desvanecan por completo. Esto se debe a que los peatones al elegir la lnea
con mayor avance hacia delante, no les importa romper la formacin con tal de alcanzar su destino, ver
figura ??. Observamos que al quitar este parmetro poco realista se pierde la auto-organizacin.
Figura 3.37: Simulacin del flujo bidireccional mediante el modelo de dos procesos modificado con frontera
abierta.
Decidimos utilizar fronteras peridicas con el modelo modificado, con el fin de ver el comportamiento y
si se presentaba la auto-organizacin. La figura ?? muestra la simulacin con una densidad de 0.4 P/m2 .
Sin embargo, no es capaz de llegar a una estado ptimo, es decir, dividir el flujo en dos corrientes. Ni
siquiera ha sido ha reproducido lneas dinmicas aun contando con la informacin de las fronteras. Es
claro que el modelo no tiene los elemento necesarios que propicie la reproduccin de estos patrones
Figura 3.38: Flujo bidireccional mediante el modelo de dos procesos modificado con fronteras peridicas.
Situaciones de bloqueo
A diferencia del modelo de Klpfel, el modelo de dos procesos no presenta grandes bloqueos ya sea
para fronteras abiertas o peridicas. Incluso se puede observar de la figura ?? que los peatones forma
pequeas hileras. El modelo mismo mantiene una perturbacin en los peatones de tal manera que ambos
flujos continan su movimiento.
3.5.4. Resumen y observaciones
En este modelo el movimiento de los peatones tiene dos posibles direcciones: lateralmente y al frente.
Antes de realizar los movimientos laterales se evitan los conflictos en el cruce de trayectorias diagonales.
Es importante observar que si se realiza un movimiento lateral solamente se contabilizan las celdas que
3.6 Conclusiones 65
Figura 3.39: Situacin de bloqueo. La densidad de peatones es de 1.7 P/m2
el peatn avanza hacia el frente. El modelo acepta el intercambio de posiciones lo cual permite la auto-
organizacin. Una vez que se complet el clculo de la trayectoria, los peatones salta de su posicin inicial
a la posicin calculada. Este salto refleja un comportamiento poco realista en la simulacin. Adems el
modelo original no considera un distancia social entre las personas, es decir, los peatones caminan muy
cerca entre ellos e incluso se pueden atravesar.
3.6. Conclusiones
Hemos implementado dos modelos de autmatas celulares, el modelo de Klpfel y el modelo de dos
procesos. Hasta el momento, los modelos con AC que hemos estudiado no logran proporcionan simulaciones
realistas. Debido a que el comportamiento competitivo de los peatones no alcanzan un estado de auto-
organizacin de modo que los patrones del trfico peatonal no se presentan. Adems estos modelos no se
manejan con la teora del mnimo esfuerzo, ya que no toman cuentan a las personas que llevan la misma
direccin. Eso provoca que en un flujo bidirecional no se formen lneas multidinmicas.
Ambos algoritmos han sido modificados con la idea de incluir la distancia social y la formacin de
lneas dinmicas. Pero no tuvimos xito.
La capacidad mxima que hemos alcanzado en las simulaciones dentro del pasillo es de 1000 peatones,
lo que resulta en un menor costo computacional comparado con el modelo de fuerza social.
Por lo anterior decidimos proporcionarle al peatn un campo de visin y un parmetro dinmico
apropiado tal que le ayuden a tomar en cuenta a los peatones que llevan la misma direccin que l,
evaluando con ello la posibilidad de seguirlos. Estas ideas se desarrollan en el captulo 4.
CAPITULO 4
Modelo de campo social
En el captulo anterior hemos visto algunos modelos basados en autmatas celulares aplicadas al
trfico peatonal. La mayora de estos modelos tienen la finalidad de cambiar la lnea de camino, mediante
diferentes tipos de probabilidades o parmetros: prefijados o dinmicos. Estos ltimos se calculan de
acuerdo a las condiciones que existen alrededor de los peatones. Un factor importante para determinar el
parmetro dinmico es definir apropiadamente la forma del rea que influye en el comportamiento de los
peatones.
Pocos modelos de autmatas toman en cuenta la distancia social entre peatones [?, ?]. En este captulo
presentaremos un modelo llamado campo social donde introducimos la idea de distancia social por medio
de un campo social, simular al campo de piso dinmico (seccin ??), el cual semeja el efecto territorio [?].
Nuestro propsito es combinar un parmetro dinmico junto con la superposicin de diferentes campos
de influencia, con el fin de obtener simulaciones numricas que generen lneas dinmicas y evitar el contacto
fsico. Adems el modelo de campo social puede reproducir el diagrama fundamental de Weidmann [?].
En el resto del captulo se desarrollan estas ideas.
4.1. Descripcin del Modelo
Nuestro modelo microscpico se basa en autmatas celulares e intenta simular el trfico bidireccional
sobre un pasillo. El AC se define sobre un malla de celdas (rectangular) de tamao I1 I2 contenida en
<2 . Cada celda es cuadrada de 0.40 0.40 m2 . Los peatones entran y salen por las fronteras laterales
(izquierda y derecha). Se imponen condiciones de frontera cerradas para los bordes de arriba y abajo
(no cruce de paredes). Adems se emplean dos tipos de condiciones de frontera para los bordes laterales:
abiertas y peridicas.
Existen tres elementos fundamentales del movimiento de peatones que un modelo microscpico debe
tomar en cuenta: mitigar conflictos, movimientos laterales (intercambio de lnea de caminata) y hacia
adelante [?]. Por ello, los movimientos permitidos del peatn son los mostrados en la figura ??.
Recordemos que la formacin de lneas dinmicas surge porque los peatones, en su mayora, eligen
gastar menos energa y caminar en lneas con la misma direccin. Por lo que el peatn slo se preocupa
por mantener la distancia con la persona que est de frente. En el caso de que no se formaran las lneas,
los peatones se encontraran de frente y continuamente tendran que desviar su ruta evitando el contacto
67
68 Captulo 4. Modelo de campo social
Figura 4.1: Movimientos permitidos en el modelo.
fsico, lo que ocasionara un mayor desgaste para el peatn. Un factor que permite la auto-organizacin
de este patrn colectivo es la distancia social [?, ?, ?].
4.1.1. Campo social
El efecto territorial inside en los cambios del comportamiento de los peatones, los cuales son guiados
por campos sociales que motivan a los peatones a moverse. Helbing [?] toma esta idea para modelar el
comportamiento de los peatones mediante fuerzas de repulsin de tal manera que se alejan de objetos o
personas para no chocar y herirse. El campo social semeja un espacio individual donde cada persona se
siente cmoda. Entonces el campo social acta de manera similar a la fuerza de repulsin del modelo de
fuerza social.
(a) (b)
Figura 4.2: Ejemplos de campos sociales: (a) continuo y (b) discreto.
Cuando otra persona invade el espacio social del peatn, este se mueve en la direccin donde disminuye
esta incomodidad, actuando como una fuerza de repulsin a otras personas, de esta manera se logra
mantener la distancia social entre ellos. Adems este campo aumenta la presencia del individuo de tal
manera que los otros logren darse cuenta.
La figura ?? muestra dos tipos de campos sociales: continuo y discreto. La forma de los campos discretos
es similar a los campos continuos, debido a que estos ltimos son elipses.
Cada celda del campo social (discreto) se le asigna un valor, como se muestra en la figura ??. En caso
de que los campos se intersecten, los valores de las celdas translapadas se suman, ver figura ??. Luego, la
intensidad o presencia del peatn aumenta. Asignamos el valor 2 al ncleo del campo donde se encuentra
el peatn as la intensidad del campo es ms fuerte en este punto. Las dos celdas que contienen el valor
0.5 asegura que el peatn no se confundir con su propio campo. Los valores 1 a su alrededor proporciona
una distancia para figura ??
4.1 Descripcin del Modelo 69
1 1 1
1 1 1 1 2 0.5 0.5
1 1 2 1 2 1 1
1 2 0.5 0.5
1 2 0.5 2 1.5 3 1
1 1 1 1 1 1.5 0.5 3 2 1
1 1 1
(a) (b)
Figura 4.3: (a) Configuracin del campo social y (b) interseccin de campos sociales.
4.1.2. Campo de visin
La mayora de los peatones caminan viendo todo lo que sucede enfrente de ellos, de esta manera pueden
evitar chocar contra obstculos o personas. El campo de visin refleja la atencin que pone el peatn a
las cosas que pasan en frente, dndole ms importancia a stas que a las que suceden a su lado o detrs
de l. Por otro lado, el alcance de visin del peatn comienza a ser importante a cierta distancia, cuando
observa que puede cambiar de direccin para evitar chocar con los obstculos. Esta caracterstica permite
al peatn tomar una decisin, continuar caminando en lnea recta o desviarse.
(a) (b)
Figura 4.4: Campos de visn: (a) continuo y (b) discreto.
La figura ?? exhibe dos tipos de campos de visin: continuo y discreto. El alcance de visin de un
peatn ser igual a su velocidad individual v i , as tendr una visin del recorrido en un paso de tiempo.
El peatn de la figura ?? tiene una velocidad de 5 celdas por paso de tiempo, mientras que el peatn de
la figura ?? de 3 celdas por paso de tiempo. El peatn con velocidad alta debe de tener una visin ms
profunda para evitar chocar con obstculos o personas. Si la velocidad es menor la visin se reduce ya
que no es necesario tener una gran profundidad de visin para evitar obstculos en su camino.
4.1.3. Parmetro social ponderado
Al igual que los parmetros dinmicos que introduce Hao Yue et al. [?] para controlar el movimiento
de los peatones, nosotros proponemos el llamado parmetro social ponderado. La idea de este parmetro
es ayudar en la decisin del peatn a elegir la lnea con mayor concentracin de peatones que llevan la
misma direccin, de esta manera es ms probable que se de una formacin de lneas dinmicas. Para ello,
se definen dos parmetros intermedios: el peso y el valor social por lnea. El peso, denotado por wki , se
define por la relacin siguiente:
i i
(a) (b)
Figura 4.5: Diferentes alcances del campo visual: el peatn en (a) lleva una velocidad v i = 5, mientras
que el peatn en (b) su velocidad es v i = 3.
npk
X dj
wki = 1 + (4.1)
lk v i
j=1
donde npk es el nmero de personas que hay en la k lnea de caminata, v i es el nmero de celdas de
alcance del campo de visin, l toma el valor de 1 para las lneas de caminata k 1, k y k + 1 y el valor
de 2 para las lneas k 2, k + 2; dj es igual a 1 si el peaton j camina con direccin opuesta al peatn i, y
1 para aquellos que tienen la misma direccin. La composicin de las lneas de caminata se presenta en
la figura ??. Las celdas con igual tonalidad pertenecen a una misma lnea de caminata.
i
wk2 =1
i 3
k2 k1 wk1 = 5
6
i k wki = 5
i
wk+1 =1
k+2 k+1
i 12
wk+2 = 10
Figura 4.6: Calculo de los pesos y los valores sociales por lnea: (a) para la lnea k, (b) para las cinco
lneas.
El valor social sk de la lnea k se obtiene sumando el campo social de cada celda que forma esa lnea de
caminata, ver figura ??. El parmetro social ponderado wki se calcula multiplicado el peso de cada lnea
por su respectivo valor social, ver el ejemplo de la figura ??.
4.1.4. No cruce de trayectorias
La restriccin de no cruce de trayectorias sirve para modelos que utilizan velocidades mximas ma-
yores a 1 por celda en cada paso de tiempo, figura ??. El peatn avanza siempre y cuando otra persona no
haya bloqueado su trayectoria. Consideramos esta restriccin por funcionar adecuadamente en el modelo
de Klpfel [?], la forma en que se calcula la trayectoria es la que propone el autor, ver seccin 3.4.3. Con
esta condicin el modelo elimina el conflicto cuando dos peatones desean moverse a una misma celda, ya
que el primero que se actualiza es el que tiene la ventaja de tomar la celda.
4.1 Descripcin del Modelo 71
Pesos 1 1 1 Valores sociales
i
wk2 = 0.9 sk2 = 4.5
Peso 1 2 0.5 0.5
1
wki = 1 + 5 = 1.2
i
wk1 =1 sk1 = 6
1 1 2 1 2 1 1
0.5 2 1.5 3 1 wki = 1.2 1 2 0.5 2 1.5 3 1 sk = 8
i
wk+1 = 1.2 sk+1 = 7
Valor social 1 1 1.5 0.5 3 2 1
sk = 0.5 + 2 + 1.5 + 3 + 1 = 8
i
wk+2 =1 sk+2 = 3
1 1 1
(a) (b)
Figura 4.7: Clculo de los pesos y los valores sociales para la lnea k, (b) para todas la lneas.
A A
B B D
Figura 4.8: El modelo no permite el cruce de trayectorias entre peatones.
El movimiento se lleva a cabo en dos partes. Primero se calcula la trayectoria completa de cada peatn
y posteriormente se actualizan sus posiciones a la nueva celda. Cada paso de tiempo esta seccionado en
subpasos de tiempo. El algoritmo de movimiento se aplica a cada peatn en cada subpaso de tiempo
hasta completar el paso de tiempo total o la velocidad individual. La actualizacin de las posiciones de
los peatones se hace en paralelo, es decir, en cada paso de tiempo, el peatn se mueven a la ltima celda
de la trayectoria calculada. La figura ?? muestra el diagrama del flujo de movimiento del peatn cuya
secuencia de pasos se presenta a continuacin.
I. Clculo de trayectoria por peatn

1. Calcular el alcance de visin del peatn.
2. Calcular el parmetro social ponderado sobre la k lnea de caminata del peatn.
3. Si el valor social ponderado es menor a uno, entonces verificar si la celda se encuentra desocu-
pada e ir a paso 6. Sino ir al paso 4.
4. Calcular el valor de cada parmetro social ponderado, para las lneas de caminata adyacentes
k 1, k + 1, k + 2, k 2, tal como se muestra en la figura ??.
5. Comparar y elegir la celda desocupada con menor valor social ponderado. Es decir, z = {z
[k, k 1, k + 1, k + 2, k 2] | vpz = min[vpk , vpk1 , vpk+1 , vpk+2 , vpk2 ], Cell(z) = 0}
6. Mover y actualizar el campo social del peatn, ir al paso 7.
7. En caso de no encontrar una celda desocupada entonces el peatn permanece en la misma
celda.
8. Termina
INICIO
no Definir el alcance de
rand < pstop
visin del peatn i
no
Calcular
vpk = sk wki
c = x+k
no no
vpk < 1 p < 0.5 l = 1
si
si
si
Calcular los
l=1 vpk+ql con
no
Cell(c) = 0 q [1, 1, 2, 2]
si
Asignar a z la
x = c celda desocupada
con menor valor
d = d+a
c=x+z
no
|x c| < a d=d+a 2
si
d=d+a Actualiza campo

social y x = c
no i
d > Vmax
si
PARAR
Figura 4.9: Diagrama de flujo para el modelo de campo social. Donde x representa la celda actual del
peatn y vp el valor social ponderado, a es el tamao de la celda, k es la lnea (carril) actual del peatn,
d mide la distancia recorrida por el peatn, en el caso cuando x = c d aumenta a denotando el trascurso
de tiempo.
4.2. Simulaciones numricas
Consideramos dos tipos de fronteras en un pasillo de tamao 10 m 50 m para flujo bidireccional:

(a) abiertas y (b) peridica. Los peatones de azul se mueven de izquierda a derecha y los de color rojo
en sentido opuesto. Los parmetros utilizados en las simulaciones son: el tamao de celda a = 0.4 m y el
paso de tiempo t = 0.2 s.
Figura 4.10: Simulacin numrica de un flujo bidireccional en un pasillo con condiciones de frontera
abiertas. Los peatones azules caminan de izquierda a derecha y rojos en sentido contrario. Se observa la
formacin de lneas dinmicas.
Entre 0 y 5 peatones se introducen aleatoriamente por cada frontera lateral a cada 2 pasos de tiempo.
Cada velocidad individual se distribuye normalmente con media 1.34 m/s y varianza 0.26 m/s.
La figura ?? muestra la simulacin numrica con condiciones de frontera abiertas. Observamos que la
formacin de lneas dinmicas se hace presente, lo que nos indica que el modelo es capaz de reproducir
este tipo de patrn.
Para el caso de fronteras peridicas, figura ??, observamos que la mayora de las simulaciones presentan
una auto-organizacin mediante la formacin de cuatro corrientes de flujo, dos de ellas ms grandes que las
otras. Una vez que estas corrientes se han formado prevalecen todo el tiempo sin tener una gran variacin
en su forma.
Figura 4.11: Simulacin numrica con condiciones de frontera cerrada. Las lneas dinmicas se agrupan
formando 4 corrientes de flujo.
4.2.1. Diagrama fundamental
Ahora consideramos un pasillo de 3.6 m de ancho y 40 m de largo con fronteras de tipo peridica.
La simulacin es un flujo unidireccional, donde los peatones caminan de izquierda a derecha. Al inicio se
distribuyeron las personas sobre todo el pasillo de manera uniforme. El nmero de personas se mantiene
fijo.
Basndonos en los trabajos de Parisi [37], para cada densidad la simulacin se realiza durante 500
segundos, con 60 segundos para estabilizar el flujo, una vez que el flujo se estabiliz se comenz a registrar
los datos de velocidad y densidad sobre una regin de tamao 3.6 m por 5.6 m.
Figura 4.12: Simulacin para el diagrama fundamental. La densidad de personas es de 0.32 P/m2
La figura ?? muestra: (a) la curva emprica de Weidmann (continua), (b) los datos calculados con el
modelo de campo social (puntos rojos) y (c) los datos calculados con el modelo de fuerza social modificado
(asteriscos azules) [?]. Cada punto en la grfica es el promedio de 440 datos registrados en la simulacin.
Claramente, podemos ver que los datos del modelo de campo social son cercanos a la curva de Weidmann
inclusive para densidades altas (mayores que 4.8 P/m2 ) con un bajo costo computacional.
(a) (b)
Figura 4.13: Diagrama: (a) flujo-densidad y (b) velocidad-densidad.
4.3. Conclusiones
Hemos propuesto un modelo de AC que incorpora tres caractersticas principales: un campo social, un
campo de visin y un parmetro social ponderado. Este conjunto de caractersticas hace que cada peatn
sea capaz de darse cuenta de las personas que se encuentran delante del el, distinguiendo de aquellas que
van en misma direccin y las que no. Mostrando una tendencia a seguir a personas con misma direccin
formando lneas dinmicas. Por lo tanto el modelo es capaz de reproducir este patrn tal como se observa
en los datos empricos publicados en otros lados. Nuestro modelo de campo social ajusta muy bien la
curva emprica de Weidmann para densidades altas tales como 4.8 P/m2 .
Las ventajas de modelar con un autmata celular son su simplicidad y su velocidad computacional,
debido a que en lugar de resolver ecuaciones diferenciales como lo hace el modelo de fuerza social, solo
siguen reglas de movimiento fciles de ejecutar. Esto es conveniente para las simulaciones a tiempo real.
CAPITULO 5
Conclusiones y perspectivas
En la presente investigacin hemos estudiado dos tipos de modelos microscpicos: fuerza social y
autmatas celulares. Nos enfocamos en situaciones normales y no de pnico.
El modelo de fuerza social se representa por un sistema ecuaciones diferenciales ordinarias acopladas,
una ecuacin por cada peatn en el sistema. Estudiamos cada una de las fuerzas que componen el modelo,
as como las modificaciones que han hecho algunos autores. Construimos diferentes escenarios con el fin de
estudiar el comportamiento de los peatones y ver si el modelo es capaz de reproducir patrones que se han
observado en el trfico peatonal. En la mayora de estos escenarios la auto-organizacin dentro de pasillos
se presenta mediante la formacin de lneas dinmicas. En el caso de cuellos de botella se reprodujeron las
oscilaciones que son caractersticas en este tipo de estructuras: puertas, escaleras, ampliacin y reduccin
de pasillos, etc. En cruce de pasillos, se presentaron la formacin de lneas diagonales.
Por otra parte, los modelos con autmatas celulares se caracterizan por ser discretos en tiempo y
espacio. Cada peatn es modelado como un entidad que ocupa una celda en la cuadrcula. La dinmica
de los peatones se rigen por reglas de movimiento que actualizan la posicin del peatn en casa paso de
tiempo. Hemos estudiamos diversos modelos con autmata celular, de los cuales slo dos implementamos
para su simulacin: el modelo de Klpfel y el modelo de dos procesos. Sin embargo ninguno de ellos
logr reproducir los patrones del trfico peatonal. Debido a la experiencia que se obtuvo al estudiar el
modelo de fuerza social y los modelos de autmata celular, propusimos un modelo capaz de reproducir
dichos patrones, principalmente la formacin de lneas dinmicas respetando la distancia social de los
transentes.
El modelo de fuerza social tiene la gran desventaja de utilizar demasiado tiempo de CPU cuando en
la regin de estudio intervienen cientos de personas, ya que se debe encontrar la solucin de un sistema
de cientos de ecuaciones por cada paso de tiempo. Por otro lado, los modelos de autmatas celulares son
ms rpidos y hasta cierto punto prcticos a costa del almacenamiento en memoria, debido a que cada
celda puede requerir de varios parmetros y en escenarios de gran tamao se necesitan miles de celdas.
El trabajo futuro, para el modelo de fuerza social es hacer la programacin en paralelo para aumentar
la rapidez en los clculos, reducir grados de libertad para controlar los movimientos, hallar un tipo de
especificacin que tome en cuenta las velocidades de los peatones con menores operaciones. Debemos incluir
un algoritmo para la bsqueda de trayectoria. Manejar otra forma de rea de respeto para la interaccin
entre peatones. Finalmente hallar una forma de reducir operaciones en el clculo de la direccin deseada
y fuerza de repulsin.
75
76 Captulo 5. Conclusiones y perspectivas
Para el modelo de campo social, el trabajo futuro es hacer una anlisis de los valores del campo, aunque
los valores que se han manejado hasta ahora han mostrado buenos resultados, creemos que es necesario
hacer el anlisis correspondiente. Tambin debemos ampliar el radio del campo para que los peatones
se percaten con mayor anticipacin de la presencia de otras personas. El tamao de la celda que hemos
manejado hasta ahora ha sido de 40 cm, medida promedio que utilizan varios autores. Sin embargo, es
necesario realizar una discretizacin del espacio con celdas ms pequeas, con ello habr mayor diversidad
de peatones en el sistema. Adems el campo social tendr mejor forma aproximndose a una elipse, de
esta manera las interacciones sern mucho ms suaves, donde los peatones se alejan gradualmente sin
tener un saltos bruscos de una a otra celda. Para implementar el modelos en estructuras ms complejas es
necesario aplicar un algoritmo adecuado para el calculo de direccin de cada peatn. Simular el modelo en
otros estructuras ms grandes. Introducir un parmetro que perturbe el comportamiento en situaciones
de bloqueo. Hacer un anlisis para obtener tiempos de estabilidad del flujo, donde las velocidades no
tiene variaciones drstica y se mantienen oscilando en un cierto valor. Estudiar el comportamiento de los
peatones con altas densidades. Finalmente, darle un enfoque al modelo para situaciones de emergencia,
observando aquellos escenarios relacionados con multitudes en pnico.
Anexos
77
ANEXO A
Programas
En este Anexo se incluyen cuatro programas. Para el modelo de fuerza social se presentan los programas
de flujo bi-direccional y un cruce de puerta. Asimismo, para el modelo de autmatas celulares se presentan
los de flujo uni-direccional y bi-direccional.
Todos los cdigos fuente se programaron sobre la plataforma de Python, el cual es un programa ori-
entado a objetos. De esta manera nos permitir tratar a los peatones con mayor facilidad manipulando
caractersticas (atributos) y mtodos (funciones) de cada peatn. Visual Python es el paquete principal
para la visualizacin en 3D. Adems se incluyen paquetes tales comoNumpy que nos ayudan a operar con
matrices y random que genera nmeros aleatorios de diferentes distribuciones.
A.1. Modelo de fuerza social
Comenzamos por describir las funciones que componen el programa. La funcin Construye(x), toma
como argumento un vector x, esta funcin construye el escenario, es decir, las paredes y el piso que
conforman el sistema donde los peatones estarn. El argumento x es un vector con puntos, los cuales son
extrememos de paredes. Cabe mencionar que los puntos son tomados en el primer cuadrante (vectores
positivos) y posteriormente se reflejarn a los otros tres cuadrantes. Por lo que slo tenemos que introducir
las coordenadas de una parte del escenario y ste se completa despus.
#---------------Contruye las paredes---------------# def

Construye(x):
W=[box(pos=(0,0,-0.6),size=(2*x[0,0],2*abs(x[0,1]),0.2),color=mycolor, opacity=opacidad)]
for i in range(x.shape[0]-1):
a = x[i,1];l=-1
if x[i+1,1] > x[i,1]:
a = x[i+1,1];l=1
if abs(x[i+1,0]-x[i,0])!=0 and abs(x[i+1,1]-x[i,1])!=0:
W.append(box(pos=(x[i,0]+(abs(x[i+1,0]-x[i,0]))/2.,a-(abs(x[i+1,1]-x[i,1]))/2.,1.25),
size=(sqrt(pow(x[i+1,0]-x[i,0],2)+ pow(x[i+1,1]-x[i,1],2)),0.2,2.5),
axis=(abs(x[i+1,0]-x[i,0])*l,abs(x[i+1,1]-x[i,1]),0),
color=mycolor,
opacity=opacidad))
W.append(box(pos=(-x[i,0] - (abs(x[i+1,0] - x[i,0]))/2. ,a - (abs(x[i+1,1]-x[i,1]))/2. , 1.25),

size=(sqrt(pow(x[i+1,0]-x[i,0],2) + pow(x[i+1,1]-x[i,1],2)),0.2,2.5),
axis=(abs(x[i+1,0]-x[i,0])*l,-abs(x[i+1,1]-x[i,1]),0),
color=mycolor,
79
80 Captulo A. Programas
opacity=opacidad))
W.append(box(pos=(x[i,0] + (abs(x[i+1,0] - x[i,0]))/2. , -a +(abs(x[i+1,1]-x[i,1]))/2. , 1.25),

axis=(-abs(x[i+1,0]-x[i,0])*l,abs(x[i+1,1]-x[i,1]),0),
color=mycolor,
opacity=opacidad))
W.append(box(pos=(-x[i,0] - (abs(x[i+1,0] - x[i,0]))/2. , -a +(abs(x[i+1,1]-x[i,1]))/2. , 1.25),

axis=(-abs(x[i+1,0]-x[i,0])*l,-abs(x[i+1,1]-x[i,1]),0),
color=mycolor,
opacity=opacidad))
k=0
for j in linspace(x[i,0],x[i+1,0],30):
W.append(box(pos=(j,0,0),
size=(abs(x[i+1,0]-x[i,0])/30.,2*x[i,1] + l*k*2*abs(x[i+1,1]-x[i,1])/30.,0.2),
color=mycolor,
opacity=opacidad))
W.append(box(pos=(-j,0,0),
size=(abs(x[i+1,0]-x[i,0])/30.,2*x[i,1] + l*k*2*abs(x[i+1,1]-x[i,1])/30.,0.2),
color=mycolor,
opacity=opacidad))
k+=1
else:
W.append(box(pos=(x[i,0] + (abs(x[i+1,0] - x[i,0]))/2. , a - (abs(x[i+1,1]-x[i,1]))/2. , 1.25),
size=(abs(x[i,0]-x[i+1,0]) + abs(x[i,1]-x[i+1,1]),0.2,2.5),
axis=(abs(x[i+1,0]-x[i,0]),abs(x[i+1,1]-x[i,1]),0),
color=color.blue,
opacity=opacidad))
W.append(box(pos=(-x[i,0] - (abs(x[i+1,0] - x[i,0]))/2. ,a - (abs(x[i+1,1]-x[i,1]))/2. , 1.25),

axis=(abs(x[i+1,0]-x[i,0]),-abs(x[i+1,1]-x[i,1]),0),
color=color.blue,
opacity=opacidad))
W.append(box(pos=(x[i,0] + (abs(x[i+1,0] - x[i,0]))/2. , -a+(abs(x[i+1,1]-x[i,1]))/2. , 1.25),

axis=(-abs(x[i+1,0]-x[i,0]),abs(x[i+1,1]-x[i,1]),0),
color=color.blue,
opacity=opacidad))
W.append(box(pos=(-x[i,0] - (abs(x[i+1,0] - x[i,0]))/2. , -a+(abs(x[i+1,1]-x[i,1]))/2. , 1.25),

axis=(-abs(x[i+1,0]-x[i,0]),-abs(x[i+1,1]-x[i,1]),0),
color=color.blue,
opacity=opacidad))
W.append(box(pos=(x[i,0] +(abs(x[i+1,0] - x[i,0]))/2. ,0,0),

size=(abs(x[i,0]-x[i+1,0]),2*abs(x[i+1,1]),0.2),
color=mycolor,
opacity=opacidad))
W.append(box(pos=(-x[i,0] -(abs(x[i+1,0] - x[i,0]))/2. ,0,0),

size=(abs(x[i,0]-x[i+1,0]),2*abs(x[i+1,1]),0.2),
color=mycolor,
opacity=opacidad))
return W
La funcin Figura construye la representacin de un humano a escala, esta funcin toma como argu-
mento Color ,Escala y Trans que es el color, el tamao y el nivel de transparencia que llevar el humano.
A.1 Modelo de fuerza social 81
def Figura(Color,Escala,Trans):
Humano=frame()
#Zapatos
#box(frame=Humano, pos=(-0.28409*Escala,0.41*Escala,0.133/2*Escala),
size=(1.13636*Escala,0.6363*Escala,0.2*Escala),
color=Color,
opacity=Trans)
#box(frame=Humano, pos=(-0.28409*Escala,-0.41*Escala,0.133/2*Escala),
color=Color,
opacity=Trans)
#Piernas
box(frame=Humano, pos=(0,0.4*Escala,2*Escala),
size=(0.55*Escala,0.55*Escala,4*Escala),
color=Color,
opacity=Trans)
box(frame=Humano, pos=(0,-0.4*Escala,2*Escala),
color=Color,
opacity=Trans)
#Torso
box(frame=Humano, pos=(0,0,5.37*Escala),
color=Color,
opacity=Trans)
#Brazos
box(frame=Humano, pos=(0,0.83*Escala,5.1*Escala),
color=Color,
opacity=Trans)
box(frame=Humano, pos=(0,-0.83*Escala,5.1*Escala),
color=Color,
opacity=Trans)
#Cabeza
sphere(frame=Humano,pos=(0,0,7.3*Escala),
radius=0.4*Escala,
color=Color)
return Humano
Seguimos con la funcin Persona, en esta mandamos a llamar la funcin Figura, a la cual se le asignan
las caractersticas individuales que utilizaremos durante la simulacin. Para comenzar a familiarizarse con
el tipo programacin pondremos como ejemplo, la expresin Ind[i].v es v la velocidad de Ind el individuo
i, el cual es un objeto que manda a llamar su atributo v de velocidad. La funcin Persona toma como
argumentos entrada, sale y n es el lado por donde entrar, la posicin ser calculada dentro de la misma
funcin, sale es por donde saldr del sistema y finalmente n el nmero de peatones que construir la
funcin.
def Persona(entra,sale,n):
Ind=[] # Lista de individuos
col=[(0.3,0.6,1),color.red,color.white,color.cyan] # Lista de colores
for i in range(n):
Ind.append(Figura(col[entra],radio,1)) # Agregar un individuo
Ind[i].radius=radio # Radio de la persona
Ind[i].di=array([0,0]) # Direccin
Ind[i].v=array([.000001,.000001]) # Velocidad
Ind[i].r=mag(Ind[i].v) # Rapidez
Ind[i].a=array([0,0]) # Aceleracin
Ind[i].rd=gauss(1.34,0.26) # Rapidez deseada
Ind[i].rmax=1.3*Ind[i].rd # Rapidez maxima
while 1: # Asigna la posicin inicial
y = gauss(0,Ancho[entra]/3)
if abs(y) < Ancho[entra]/2.:
if EyS[entra,1] == 0:
Ind[i].pos=vector(EyS[entra] + y*array([0,1]))
Ind[i].Pos=array(EyS[entra] + y*array([0,1]))
else:
Ind[i].pos=vector(EyS[entra] + y*array([1,0]))
Ind[i].Pos=array(EyS[entra] + y*array([1,0]))
break
if entra > 2:
Ind[i].axis=(0,1,0)
Ind[i].PosK = [Metas[entra], 100*(EyS[sale]/mag(EyS[sale]))]

i+=1
return Ind
Todas las funciones anteriores se incluyen dentro de un archivo llamado MisFunciones.py y son llamadas
en el programa principal con la instruccin from MisFunciones import *. Adems estas funciones son
utilizadas tanto para el flujo bidireccional y cruce de una puerta.
A.1.1. Flujo bidireccional
La primera parte del programa se compone de los datos iniciales tanto para la construccin del escenario
como de los parmetros del modelo de fuerza social. Adems de los arreglos que se utilizan para el clculo
de fuerzas. La simulacin se inicia introduciendo un nmero aleatorio de personas, entre 0 y 6 de ellas a
cada 2 segundos. En adelante se utiliza el modelo de fuerza social, comenzando por el Clculo de fuerzas
de repulsin entre peatones. La fuerza de repulsin que toma en cuenta el peatn i son todas aquellas que
se generan entre l y los peatones que se encuentre a 3 metros de distancia de l. Cabe mencionar que el
trmino (lamda1 + (1-lamda1)*( (1 + dot(P[i].v,-dij/b) )/2)) es el peso de f la fuerza de repulsin y da
como resultado una nueva fuerza.
#----------Paqueteria----------# from visual import * from numpy

import fmod from MisFunciones import * from random import choice,
gauss, randint
#Estas son las propiedades de la pantalla

myscene=display(title=Simulacin de flujo
peatonal,x=0,y=0,width=950,height=300,auntocenter=1,autoscale=1)
#----------Piso paredes y etiquetas----------# opacidad=0.5

# Transparencia de las paredes mycolor=color.gray(0.5) # Color
de las paredes EyS=array([[-25,0],[25,0]]) # Entradas y salidas de
los peatones Metas =[[25,0],[-25,0]] # Metas intermedias
Ancho=[10,10] # Ancho de entradas y salidas
x=array([[0,5],[25,5]]) # Vector para la construccin de paredes
largo=51 # Largo del pasillo ancho=10

# Ancho del pasillo tamX=x.size/2 # Numero de vectores
en x W=Construye(x) # Funcin constructora del
escenario #------------------Datos iniciales-----------------# P=[]
# Inicia lista de Peatones lamda1=0.9 # Parmetro Vo=3.
# Fuerza de Iteracin entre peatones desv=0.5 # Rango
de Iteracin entre peatones Uo=10. # Fuerza de
Iteracin entre muros R=0.2 # Rango de Iteracin

entre muros ta=0.5 # Parmetro de relajacin dt=0.2
# Intervalo de tiempo Fim = array([0,0]) # Vector de fuerzas a
muros a=zeros((2,300)) # Vector de aceleracin k=0
# Contador de iteraciones p=0 # Contador de
peatones radio=0.2 # Radio de los peatones Puertas=[0,1]
# Nmero de puertas de salida y entrada al sistema
#--------------------------------------------------#
l2=label(pos=(0,5.5,7),text=No. de peatones en el pasillo:
+str(p))
###########----------COMIENZA LA SIMULACIN----------###########
while 1:
#----------Entrada de peatones----------#
if not fmod(k,2/dt):
for Entra in [0,1]:
n=randint(0,6) # Nmero aleatorio de personas
Salida=Entra
while Salida == Entra:
Salida=choice(Puertas)
P=append(P,Persona(Entra, Salida, n)) # Agregando n personas a la lista
p+=n
NP=range(p)
l2.text=No. de peatones en el pasillo: +str(p)
Fij=zeros((2,p))
#----------Calculo de fuerzas de repulsion entre peatones----------#

for i in NP:
for j in range(i+1,p):
dij=P[i].Pos - P[j].Pos
b = mag(dij)
if b < 3: #Se consideran aquellas personas dentro de un radio de 3 unidades que afectan al peatn i
f = (Vo)*(exp((2*radio - b)/desv))*(dij/b)
Fij[:,i] = Fij[:,i] + (lamda1 + (1-lamda1)*( (1 + dot(P[i].v,-dij/b) )/2))*f
Fij[:,j] = Fij[:,j] - (lamda1 + (1-lamda1)*( (1 + dot(P[j].v,-dij/b) )/2))*f
#----------Calculo de direccin----------#
P[i].di = (P[i].PosK[0] - P[i].Pos)/mag(P[i].PosK[0] - P[i].Pos)
#----------Fuerza de movimiento----------#
Fi = (P[i].rd*P[i].di - P[i].v)/ta
#----------Fuerza de repulsion a muros-----------#

Fim = (Uo/R)*exp(-(5. - abs(P[i].pos.y) - radio)/R)*array([0,-copysign(1,P[i].pos.y)])
#----------Calculo de la aceleracion----------#
a[:,i]=Fi + Fim + Fij[:,i]
#------------Actualizacin de posiciones y eliminacin de peatones----------#
i=0
while i<p:
P[i].v = P[i].v + a[:,i]*dt
P[i].r = mag(P[i].v)
if P[i].r > P[i].rmax:
P[i].v = (P[i].v/P[i].r)*P[i].rmax
P[i].r = P[i].rmax
P[i].pos = P[i].Pos + P[i].v*dt

P[i].Pos = array([P[i].pos.x, P[i].pos.y])
if mag(P[i].Pos - P[i].PosK[0]) < 2:

P[i].PosK = delete(P[i].PosK,0,axis=0)
if abs(P[i].pos.x) >= largo/2 or abs(P[i].pos.y) >= largo/2:

P[i].visible = 0 #Borra de pantalla al peatn
P=delete(P,i) #Elimina del conjunto de peatones
del NP[p-1] #Elimina el ultimo termino del arreglo
p-=1 #Elimina del contador
i-=1

i+=1
k+=1
###########----------FIN LA SIMULACION----------###########
Una vez que el programa obtiene todas las fuerzas de repulsin de cada peatn, comienza el clculo de
la direccin deseada, donde P[i].PosK[0] es el siguiente objetivo del peatn i y conforme el peatn alcanza
sus objetivos se van eliminando del arreglo P osK, es por eso que siempre se pide la primera entrada
del arreglo. Ahora bien, en el clculo de repulsin a muros utiliza la funcin copysign; como su nombre
lo indica copia el signo, en este caso copia el signo de la posicin en y del peatn i, esto con el fin de
saber a que pared esta ms cerca el peatn y debido a que el escenario esta centrado en el origen es ms
fcil distinguir esto. Una vez que se termin el clculo de todas la fuerzas, son sumadas y almacenadas
en un arreglo llamado a que representa la aceleracin de cada peatn. Posteriormente actualizamos las
velocidad, rapidez y posicin de cada peatn. Si el peatn complet su recorrido y lleg a su salida, este
se elimina del sistema.
A.1.2. Cruce de una puerta
La diferencia entre este programa y el anterior son la metas intermedias y la fuerza de repulsin a muros.
La meta intermedia para todos los peatones se localiza en el centro de la puerta, por lo tanto la primera
meta de los peatones es llegar a la puerta, despus a su salida. En esta simulacin no se implemento un
flujo continuo de personas debido a que se reprodujeron varios escenarios de algunos artculos de Helbing.
Por tanto contamos con 70 personas en el sistema que irn saliendo conforme lleguen a su destino. Por
otro lado el clculo de la fuerza a muros considera dos puntos, el punto ms cercano a la pared ms
proxima del pasillo y el punto de la pared de la puerta ms cercano al peatn. Este ltimo trmino se
calcula siempre y cuando este a la altura de la pared de la puerta (cuando no tenga de frente la puerta).
#----------Paqueteria----------# from visual import * from numpy

import fmod from MisFunciones import * from random import choice,
gauss, randint
#Estas son las propiedades de la pantalla

myscene=display(title=Simulacin de flujo
peatonal,x=0,y=0,width=950,height=300,auntocenter=1,autoscale=1)
#----------Piso paredes y etiquetas----------# opacidad=0.5

# Transparencia de las paredes mycolor=color.gray(0.5) #
Color de las paredes EyS=array([[-12.5,0],[12.5,0]]) # Entradas y
salidas de los peatones Metas=[[0,0],[0,0]] # Metas
intermedias Ancho=[10,10] # Ancho de entradas y
salidas
x=array([[0,5],[12.5,5]]) # Vector para la construccin de

paredes
largo=2*max(x[:,0]) # Largo del pasillo

ancho=2*min(x[:,1]) # Ancho del pasillo tamX=x.size/2
# Nmero de vectores en x
W=Construye(x) # Funcion de construccin del

escenario #----------Construccion paredes de la puerta----------#
W.append(box(pos=(0,3,2.5-0.6), size=(0.3,4,5),
color=color.gray(0.5), opacity=opacidad))
W.append(box(pos=(0,-3,2.5-0.6), size=(0.3,4,5),
color=color.gray(0.5), opacity=opacidad))
#------------------Datos iniciales-----------------# P=[]

# Inicia lista de peatones lamda1=0.8 # Parmetro para el

peso de la fuerza de repulsion entre peatones lamda2=1 #
Parmetro para el peso de la fuerza de repulsion a muros Vo=2.5
# Fuerza de Iteracin entre peatones desv=0.5 # Rango de
Iteracin entre peatones Uo=10. # Fuerza de Iteracin
entre los muros R=0.2 # Rango de Iteracin a muros
ta=0.5 # Relajacin dt=0.2 # Intervalo de
Tiempo a=zeros((2,200)) # Matriz de aceleracin
Fij=zeros((2,200)) # Matriz de fuerzas de repulsion entre peatones
Fim = array([0,0]) # Matriz de fuerza de repulsion a muros k=0
# Contador de iteraciones p=70 # Nmero de peatones
en el sistema radio=0.4 # Radio de los peatones
NP=range(p) # Arreglo del nmero de peatones
P=append(P,Persona(0,1,35)) # Lista inicial de la creacin del 35
con entrada por la izquierda P=append(P,Persona(1,0,35)) # Lista
inicial de la creacin del 35 con entrada por la derecha
Puertas=[0,1] # Nmero de puertas de salida y entrada al
sistema #-----------------------------------------------#
l2=label(pos=(0,6,7),text=No. de peatones en el pasillo: +str(p))
###########----------COMIENZA LA SIMULACIN----------###########
while 1:
Fij=zeros((2,p))
#----------Calculo de fuerzas entre peatones----------#
for i in NP:
for j in range(i+1,p):
dij=P[i].Pos - P[j].Pos
b = mag(dij)
if b < 3:
f = (Vo)*(exp((P[i].radius + P[j].radius - b)/desv))*(dij/b)
Fij[:,i] = Fij[:,i] + (lamda1 + (1-lamda1)*( (1 + dot(P[i].di,-dij/b) )/2))*f
Fij[:,j] = Fij[:,j] - (lamda1 + (1-lamda1)*( (1 + dot(P[j].di,-dij/b) )/2))*f
#----------Calculo de direccion----------#
P[i].di = (P[i].PosK[0] - P[i].Pos)/mag(P[i].PosK[0] - P[i].Pos)
#----------Fuerza de movimiento----------#
Fi = (P[i].rd*P[i].di - P[i].v)/ta
#----------Fuerza de repulsion a muros-----------#
Fim = [0,0]
if abs(P[i].pos.y)<1-0.4: # Calculo de la fuerza de la pared del pasillo, siempre y cuando tenga de frente la puerta
Fim = (Uo/R)*exp(-(ancho/2 - abs(P[i].pos.y))/R)*array([0,-(P[i].pos.y+1)/abs(P[i].pos.y+1)])
else:
Fim = (Uo/R)*exp(-(ancho/2 - abs(P[i].pos.y))/R)*array([0,-(P[i].pos.y+1)/abs(P[i].pos.y+1)])\
+ (Uo/R)*exp(-(abs(P[i].pos.x)-0.2)/R)*array([copysign(1,P[i].pos.x), 0])
#----------Calculo de la aceleracion----------#
a[:,i]=Fi + Fim + Fij[:,i]
Fij[:,i]=[0,0]
#------------Actualizacion de posiciones y eliminacion de peatones----------#
i=0
while i<p:
P[i].v = P[i].v + a[:,i]*dt
P[i].r = mag(P[i].v)
if P[i].r > P[i].rmax:
P[i].v = (P[i].v/P[i].r)*P[i].rmax
P[i].r = P[i].rmax
P[i].pos = P[i].Pos + P[i].v*dt

P[i].Pos = array([P[i].pos.x, P[i].pos.y])
if mag(P[i].Pos - P[i].PosK[0]) < 0.7:

P[i].PosK = delete(P[i].PosK,0,axis=0)
if abs(P[i].pos.x) >= largo/2 or abs(P[i].pos.y) >= largo/2:

P[i].visible = 0 #Borra de pantalla
P=delete(P,i) #Elimina del conjunto de peatones
del NP[p-1] #Elimina el ultimo del arreglo para el for
p-=1 #Elimina del contador
i-=1

i+=1
k+=1
###########----------FIN LA SIMULACION----------###########
A.2. Modelo de autmata celular
Los paquetes que se incluyen son: visual, time, numpy, visual controls, random y MisFunciones. Del
paquete time importamos una funcin sleep que sirve para detener la ejecucin por unos segundos. El
paquete visual controls nos proporciona objetos tales como botones, barra de desplazamiento y switches,
estas herramientas la utilizamos para controlar la velocidad de la simulacin. Los paquetes como visual,
numpy y MisFunciones ya los hemos mencionado anteriormente.
La funcin Persona para autmatas celulares, crea a las personas llamando la funcin Figura que
hemos mencionado anteriormente; a esta figura le asignamos caractersticas como, direccin, velocidad,
trayectoria, distancia recorrida y posicin inicial.
def Persona(n,a,trans,entra,Vmax,AC,LC,EyS):
Aux = [1,LC-2] # Arreglo auxiliar para la posicion inicial en la trayectoria
I = [] # Lista de individuos
Color = [(0.3,0.6,1), color.red, color.green,color.magenta,
color.orange, color.white, color.yellow,color.black,color.blue]
i=0
Entra=zeros(n)
while i<n: # Calcula la celda para la posicin inicial
y=int(gauss(12,4))
aux=0
for index in range(i):
if y == Entra[index]:
aux=1
break
if aux == 0 and 0<y<25:
Entra[i]=y
i+=1
for i in range(n):
I.append(Figura(Color[entra],a,trans)) # Lista de individuos
I[i].Vmax = gauss(1.34,0.26) # Velocidad maxima
I[i].pos = (EyS[entra],(Entra[i]+1)*a,0) # Posicin Inicial del peaton
I[i].T = zeros(Vmax+1) # Arreglos de Trayectoria del individuo en un paso de tiempo
I[i].T[0] = (Entra[i]+1)*LC + Aux[entra] # Primera posicin en la trayectoria
I[i].d = entra+1 # Direccin
I[i].t = 0 # Distancia de la trayectoria recorrida
return I
Al comienzo se introducen los datos y parmetros iniciales, se construye el escenario y se asignan a

las celdas tanto las direcciones como sus estados. Los peatones se incorporan al pasillo cada 3 segundos.
Despus se utiliza el algoritmo de Klpfel para flujo peatonal. Cabe mencionar que primero se calcula la
trayectoria de cada peatn, sin que se crucen ninguna de estas, para despus actualizar la posicin. El
algoritmo comienza preguntando si en ese paso de tiempo el peatn se detendr, con una probabilidad
P Stop de que se detenga, as mismo pregunta si el peatn ha llegado a si velocidad mxima. En caso de
alguna de estas sea afirmativa el peatn actualiza su trayectoria a la misma posicin. En caso contrario el
peatn trata de avanzar hacia adelante (V (r)), si no puede pregunta por las otras opciones de desviarse
ya sea a 45 o 90 grados de la celda objetivo. Una vez que haya encontrado la primera celda disponible,
este introduce una nueva trayectoria en su recorrido, asigna el estado de ocupado a la celda y suma la
distancia recorrida para el paso de tiempo actual.
A.2 Modelo de autmata celular 87
#----------Paqueteria----------# from visual import * from time

import sleep from numpy import mod from MisFunciones import * from
visual.controls import slider, controls from random import random,
randint
Display=display(title=Simulacion con Autmatas

Celular,x=0,y=0,width=950,height=300,center=(24.8, 5,
1.15),autoscale=1) ######-----DATOS INICIALES Ancho=10 #Ancho
del pasillo en unidades Largo=50 #Largo del pasillo en
unidades a=0.4 #Tamao de la celda AC=Ancho/a #Ancho
del pasillo en celdas LC=Largo/a #Largo del pasillo en celdas
Vmax=5 #Maxima Velocidad de los peatones PStop=0.1
#Probabilidad de detenerse PSway=0.03 #Probabilidad de
desviarse EyS=[0.4,49.2] ######------INICIALIZA Y DEFINE LAS CELDAS
OCUPADAS S=zeros(((AC + 2)*LC + 2,3)) #Inicializa matriz de
Estados (States) S[0:LC,0] = 2 #Asigna las paredes
correspondientes S[(AC + 2)*LC - LC:(AC + 2)*LC + 2,0] = 2
#Introduce las direcciones que llevan cada celda S[:,1] = 2 S[:,2] =
6 ######------INICIALIZACIN DE PARMETROS P=[]
#Lista de personas NP=[] #Orden de las personas en la
lista k=0 #Contador p=0 #Para una
densidad constante Tsub1 = range(1,Vmax+1) Tsub2 = range(Vmax+1)
######------DEFINE LA LISTA CON LOS VECTORES DE DIRECCIN Y LOS
NUMEROS
Vec=array([[0,a],[a,a],[a,0],[a,-a],[0,-a],[-a,-a],[-a,0],[-a,a]])
Num=array([LC, LC+1, 1, -LC+1, -LC, -LC-1, -1, LC-1, LC])
######-----DISEO GRFICO DEL ENTORNO

piso=box(pos=(24.8,5.2,0),size=(50,10,0.2), color=color.gray(0.5),
opacity=0.5) w1=box(pos=(24.8,0,1.25),
size=(50,a,2.5),color=color.blue, opacity=0.5)
w2=box(pos=(24.8,10.4,1.25), size=(50,a,2.5),color=color.blue,
opacity=0.5)
# Cuadricula el pasillo for i in range(int(AC+3)):

curve(pos=[(0-a/2,i*a-a/2,-0.2),(50-a/2,i*a-a/2,-0.2)])
for i in range(int(LC+1)):
curve(pos=[(i*a-a/2,-a/2,-0.2),(i*a-a/2,10.6,-0.2)])
# Imprime en la pantalla de simulacin el nmero de peatones dentro
del pasillo. l2=label(pos=(25,11.8,0),text=No. de peatones en el
pasillo: +str(p),font=century gothic)
# Se visualiza el control de velocidad de la simulacin

Control=controls(x=1000, y=0, width=270, height=100,
title=Velocidad de Animacin,range=60) s1=slider(pos=(-50,0),
width=10, length=100, axis=(1,0,0))
#-----------COMIENZO DE LA SIMULACIN-----------# while 1:

if not mod(k,3): # Entrada de peatones al pasillo cada 3 segundos
for entra in [0]:
n = randint(0,10) # Nmero aleatoria de personas que entran
P = append(P,Persona(n,a/2.,1,entra,Vmax,AC,LC,EyS))
p+=n
NP=range(p)
auxT=[]
Control.interact() # Momento en que el programa interactuar con el control de velocidad de simulacin
sleep(s1.value/200.) # Velocidad de simulacin
for tsub in Tsub1: # Subpasos
for i in NP: # Peatones
C = P[i].T[tsub-1]
if P[i].t < P[i].Vmax and random()>PStop and 0 < (C%LC)*a < Largo - a/2.:
#Elegir lado para desviarse en caso de hacerlo.
sign = 1
if random() < 0.5:
sign = -1
#----------V(r), Avanza hacia la celda objetivo----------#

if S[C + Num[S[C, P[i].d]],0] <= 1: # Verifica si la celda esta disponible

P[i].T[tsub] = C + Num[S[C, P[i].d]] # Calcula la nueva celda d su trayectoria
S[P[i].T[tsub],0] = 2 # Asigna el estado de ocupado a la nueva celda
P[i].t += a # Suma la distancia de recorrido
#----------V(r)+45 , Se desva a la derecha de la celda objetivo----------#

elif S[C + Num[S[C, P[i].d] + sign*1],0] <= 1:
P[i].T[tsub] = C + Num[S[C, P[i].d] + sign*1]
S[P[i].T[tsub],0] = 2
P[i].t += a*1.4142
#----------V(r)-45 , Se desva a la izquierda de la celda objetivo----------#

elif S[C + Num[S[C, P[i].d] - sign*1],0] == 0:
P[i].T[tsub] = C + Num[S[C, P[i].d] - sign*1]
S[P[i].T[tsub],0] = 2
P[i].t += a*1.4142
#----------V(r)-90 , Se desva 90 grados a la derecha de la celda objetivo----------#

S[P[i].T[tsub],0] = 2
P[i].t += a
#----------V(r)+90 , Se desva 90 grados a la izquierda de la celda objetivo----------#

elif S[C + Num[S[C, P[i].d] + sign*2],0] == 0:
S[P[i].T[tsub],0] = 2
P[i].t += a
else:
P[i].T[tsub] = P[i].T[tsub-1]
P[i].t += a
#----------Mantiene la Distancia Social entre peatones----------#

aux = P[i].T[tsub] + Num[S[P[i].T[tsub], P[i].d]]
if S[aux, 0] <= 1: #Asegurando de no desbloquear celdas por error
S[aux, 0]+=1
if S[aux,0]==2:
auxT.append(aux)
#elif random()>PSway:
#Aplicar el desvio a 45
else:
P[i].t += 1
#----------Asigna el estado libre a las celdas ocupadas por la trayectorias anteriores----------#
for i in NP:
for tsub in Tsub2:
S[P[i].T[tsub],0] = 0
S[auxT,0]=0
i=0
#----------Actualiza las posiciones----------#
while i < p:
C = P[i].T[Vmax] #Guarda posicion actual
if 0 < (C%LC)*a < Largo - a/2.: # Pregunta si aun esta dentro del pasillo
P[i].pos = ((C%LC)*a,int(C/LC)*a,0) # Calcula la coordenada de la posicin actual
P[i].T[0] = C # Asigna la celda a la trayectoria
S[C,0] = 2 # Asigna el estado ocupado a la celda actual
P[i].t = 0 # Se reinicia el contador de distancia recorrida
i+=1
else: #Borra peatones
S[C,0] = 0
P[i].visible = 0
P = delete(P,i)
del NP[p-1]
p -= 1
k+=1
###############################################################################
Una vez que se hayan actualizado las posiciones, el programa pregunta si el peatn ha llegado a su
destino, en caso de que lo haya hecho ste sale del sistema.
A.2.1. Flujo bidireccional
La diferencia de este programa con el anterior es que cada celda maneja dos direcciones: 2 y 6, los que
van a la derecha y los que van a la izquierda, respectivamente. Esta direccin se asigna al peatn con la
instruccin P[i].d. Exceptuando esta diferencia, todo lo dems es igual al programa anterior.
from visual import * from time import sleep from numpy import mod
from Humano import * from visual.controls import slider, controls
from random import random, randint
Display=display(title=Simulacion con Autmatas

Celular,x=0,y=0,width=950,height=300,center=(24.8, 5,
1.15),autoscale=1) ######-----DATOS Ancho=10 # Ancho del
pasillo en unidades Largo=50 # Largo del pasillo en unidades
a=0.4 # Tamao de la celda AC=Ancho/a # Ancho del
pasillo en celdas LC=Largo/a # Largo del pasillo en celdas
Vmax=5 # Maxima Velocidad de los peatones PStop=0.1 #
Probabilidad de detenerse PSway=0.03 # Probabilidad de
desviarse EyS=[0.4,49.2] ######------INICIALIZA Y DEFINE LAS CELDAS
OCUPADAS S=zeros(((AC + 2)*LC + 2,3)) #Inicializa matriz de
Estados (States) # Asigna las paredes correspondientes S[0:LC,0] = 2
S[(AC + 2)*LC - LC:(AC + 2)*LC + 2,0] = 2 # Introduce las
direcciones que llevan cada celda S[:,1] = 2 S[:,2] = 6
######------INICIALIZACIN DE PARMETROS P=[] #Lista
de personas NP=[] #Orden de las personas en la lista
k=0 #Contador p=0 #Para una densidad
constante Tsub1 = range(1,Vmax+1) Tsub2 = range(Vmax+1)
######------DEFINA LA LISTA CON LOS VECTORES DE DIRECCION Y LOS
NUMEROS
Vec=array([[0,a],[a,a],[a,0],[a,-a],[0,-a],[-a,-a],[-a,0],[-a,a]])
Num=array([LC, LC+1, 1, -LC+1, -LC, -LC-1, -1, LC-1, LC])
######-----DISEO GRAFICO DEL ENTORNO

piso=box(pos=(24.8,5.2,0),size=(50,10,0.2), color=color.gray(0.5),
opacity=0.5) w1=box(pos=(24.8,0,1.25),
size=(50,a,2.5),color=color.blue, opacity=0.5)
w2=box(pos=(24.8,10.4,1.25), size=(50,a,2.5),color=color.blue,
opacity=0.5)
# Cuadrcula el pasillo for i in range(int(AC+3)):

curve(pos=[(0-a/2,i*a-a/2,-0.2),(50-a/2,i*a-a/2,-0.2)])
for i in range(int(LC+1)):
curve(pos=[(i*a-a/2,-a/2,-0.2),(i*a-a/2,10.6,-0.2)])
# Imprime en pantalla el numero de peatones dentro del pasillo

l2=label(pos=(25,11.8,0),text=No. de peatones en el pasillo:
+str(p),font=century gothic)
# Se visualiza el control de velocidad de la simulacin

Control=controls(x=1000, y=0, width=270, height=100,
title=Velocidad de Animacin,range=60) s1=slider(pos=(-50,0),
width=10, length=100, axis=(1,0,0)) ######------COMIENZO DEL
ALGORITMO------###### while 1:
if not mod(k,6): # Entrada de peatones al pasillo cada 6 segundos
for entra in [0,1]:
n = randint(0,10)
P = append(P,Persona(n,a/2.,1,entra,Vmax,AC,LC,EyS))
p+=n
NP=range(p)
auxT=[]
Control.interact() # Momento en que el programa interactuar con el control de velocidad de simulacin
sleep(s1.value/200.) # Velocidad de simulacin
for tsub in Tsub1: # Subpasos
for i in NP: # Peatones
C = P[i].T[tsub-1]
if P[i].t < P[i].Vmax and random()>PStop and 0 < (C%LC)*a < Largo - a/2.:
#Elegir lado para desviarse en caso de hacerlo.
sign = 1
if random() < 0.5:
sign = -1
#----------V(r), Avanza hacia la celda objetivo----------#

if S[C + Num[S[C, P[i].d]],0] <= 1: # Verifica si la celda esta disponible
P[i].T[tsub] = C + Num[S[C, P[i].d]] # Calcula la nueva celda d su trayectoria
S[P[i].T[tsub],0] = 2 # Asigna el estado de ocupado a la nueva celda
P[i].t += a # Suma la distancia de recorrido
#----------V(r)+45 , Se desva a la derecha de la celda objetivo----------#

elif S[C + Num[S[C, P[i].d] + sign*1],0] <= 1:
S[P[i].T[tsub],0] = 2
P[i].t += a*1.4142
#----------V(r)-45 , Se desva a la izquierda de la celda objetivo----------#

S[P[i].T[tsub],0] = 2
P[i].t += a*1.4142
#----------V(r)-90 , Se desva 90 grados a la derecha de la celda objetivo----------#

S[P[i].T[tsub],0] = 2
P[i].t += a
#----------V(r)+90 , Se desva 90 grados a la izquierda de la celda objetivo----------#

elif S[C + Num[S[C, P[i].d] + sign*2],0] == 0:
S[P[i].T[tsub],0] = 2
P[i].t += a
else:
P[i].t += a
#----------Mantiene la Distancia Social entre peatones----------#

aux = P[i].T[tsub] + Num[S[P[i].T[tsub], P[i].d]]
if S[aux, 0] <= 1: #Asegurando de no desbloquear celdas por error
S[aux, 0]+=1
if S[aux,0]==2:
auxT.append(aux)
#elif random()>PSway:
#Aplicar el desvio a 45
else:
P[i].t += 1
#----------Asigna el estado libre a las celdas ocupadas por la trayectorias anteriores----------#
for i in NP:
for tsub in Tsub2:
S[P[i].T[tsub],0] = 0
S[auxT,0]=0
i=0
#----------Actualiza las posiciones----------#

while i < p:
C = P[i].T[Vmax] #Guarda posicion actual
if 0 < (C%LC)*a < Largo - a/2.: # Pregunta si aun esta dentro del pasillo
P[i].pos = ((C%LC)*a,int(C/LC)*a,0) # Calcula la coordenada de la posicin actual
P[i].T[0] = C # Asigna la celda a la trayectoria
S[C,0] = 2 # Asigna el estado ocupado a la celda actual
P[i].t = 0 # Se reinicia el contador de distancia recorrida
i+=1
else: #Borra peatones
S[C,0] = 0
P[i].visible = 0
P = delete(P,i)
del NP[p-1]
p -= 1
k+=1
################################################################################
ANEXO B
Paquetes de simulacin
Los paquetes existentes se clasifican en dos grupos: simulacin de evacuaciones y simulacin de situa-
ciones normales. Los son usados para calcular el tiempo que toman los peatones para salir de un edificio o
una rea en situaciones de emergencia, por ejemplo gases txicos, incendios, congestin de salidas, etc. El
paquete de simulacin de multitudes para situaciones normales es usado para reproducir el movimiento
de miles de personas en condiciones habituales. Estos paquetes comenzaron a usarse para proporcionar
un entorno ms cmodo y desplazar rpidamente a las multitudes.
A continuacin enlistaremos algunos paquetes que hasta el momento se conocen.
B.1. Simulex
Simulex es una paquete desarrollado en Inglaterra por Dr. Peter Thompson [?, ?]. Simulex puede
simular evacuaciones de grandes multitudes en construcciones complejas. El paquete ha sido validado en
tres casos de estudio conducidos en Nueva Zelanda [?]. La prueba involucra evacuaciones de tres edificios.
La evacuaciones se ha llevado acabo en la vida real y tambin usando el paquete de simulacin.
Se usa para disear y editar la geometra del entorno usando un programa de edicin visual el cual viene
con el paquete. El programa tambin soporta archivos de AutoCAD. Los agentes pueden tener diferente
tamao, velocidad y movimiento de retraso. Este programa un algoritmo distancia mapeable (The Distance
maps algorithm) para mover a los peatones hacia la salida ms cercana. El paquete proporciona detalles del
flujo y el conteo total de los peatones pasando una salida en especifica. Tambin despliega la informacin
93
94 Captulo B. Paquetes de simulacin
de la simulacin formato de texto.
B.2. PedGo
PedGo fue desarrollado en Alemania por TraffGo HT GmbH, como resultado de un proyecto de inves-
tigacin llamado BYPASS por Tim Meyer-Konig y Dr. Hubert Klpfel [?, ?]. Este paquete proporciona
simulaciones en tiempo real con multitudes mayores a 10,000 personas capaces de reproducirse en un
computadora con procesador Pentium 3 con 500MHz. PedGo deber ser capaz de simular evacuaciones
de grandes multitudes usando una computadora ms poderosa. Fue usado para simular el peor caso de
prueba de un escenario de evacuacin con 100,000 peregrinos en el Puente de Jamarat [?].
Figura B.1: Diseo de un entorno y simulacin en PedGo. Imagenes tomadas del manual de PedGo versin
2.5
PedGo es capaz de editar y modificar los diseos de entornos. Los peatones en el paquete son asignados
con diferentes propiedades (velocidad maxima, nivel de paciencia, cambios de direccin, reaccin, inercia,
probabilidad de reduccin de velocidad y agrupacin) usando una distribucin. El paquete usa un modelo
de multi-agentes para simular los movimientos peatonales. La salida visual, tiempo de evacuacin, grfica
de densidad, tiempo de viaje y distancia recorrida para cada peatn son la cantidad de salida para el
paquete.
B.3. GridFlow
GridFlow es un producto de David Purser de BRE Ltd, Inglaterra [?, ?, ?, ?]. Este paquete ha sido
validado en diferentes tipos de construcciones y son diseados para simular solamente evacuacin de
multitudes.
Puede importar diseos en AutoCAD mediante un paquete adicional llamado JOSEFINE. Tambin
puede especificar movimientos previos de retraso y distribuciones de velocidad para los peatones. El
programa es capaz de simular efectos de smoke, incendios y gases txicos en un entorno. GridFlowse se
basa en un modelo microscpico de autmatas celulares. Es posible exportar datos a Excel, el nmero
de personas en cada seccin en cada momento, tiempos de salida y la pantalla de visualizacin (usando
JOSEFINE) son cantidades de salidas para el paquete.
B.4 ASERI 95
B.4. ASERI
ASERI fue desarrollado por el Dr. Volker Shneider del Integrierte Sicherheits-Technik GmbH, Alemania.
Este paquete puede simular una gran cantidad de agentes en una geometra de entornos muy complejos,
[?, ?]. ASERI tambin simula situaciones de emergencia y evacuaciones.
Este paquete tiene la capacidad de crear importar diseos de AutoCAD y crear sus propios diseos. Los
agentes pueden tener caractersticas como, talla, velocidad, sexo, edad, aptitud, incapadidad, tolerancia
al humo y objetivos individuales. Algunos de los resultados que proporciona el paquete son el promedio
de los tiempos de salida de los peatones, embotellamientos y congestiones, trayectorias de cada uno de los
individuos y captura de video.
B.5. Legion
Legion es un paquete desarrollado por Legion Internacional Ltd., UK [?]. Este paquete puede sim-
ular miles de peatones en una simple PC y puede usado para evacuaciones y situaciones normales sin
emergencias.
Legion proporciona facilidades para importar y modificar diseos de entorno. Es posible especificar
entradas, salidas y rutas de movimiento. En Legion, los peatones deciden en base a los objetivos, poseen
diferentes niveles de conocimiento, experiencias y objetivos. Ellos tambin tienen percepcin del entorno
a su alrededor. Este modelo usa un algoritmo continuo de ruta de menor esfuerzo para la simulacin de
los movimientos. Tiene diferentes tipos de plantillas para los peatones como viajeros y turistas.
Figura B.2: Simulacin y visualizacin del paquete Legion. Imgenes tomadas de la presentacin de Legion.
Este paquete es capaz de proporciona resultados como, niveles de densidades locales, reas de con-
gestin, tiempo que toman los individuos para llegar a sus destinos, captura de vdeo e imgenes.
B.6. EXODUS
EXODUS es un paquete desarrollado por FSEG (Fire Safety Engineering Group) y La Universidad de
Greenwich, Ingraterra. El paquete esta escrito sobre la plataforma C++ el cual usa una tcnica orientada a
objetos. Es posible importar archivos en formato dxf. Este paquete es utilizado para simular situaciones
normales y de evacuacin. EXODUS es capaz de simular el comportamiento de de una gran nmero de
personas en entornos complejos. Por ejemplo es capaz de simular 1,000 personas en una rea de 2,500 m2
con un procesador de 1.9GHz y una memoria RAM de 1Gb. Y 125,000 personas en una ciudad.
Figura B.3: Simulacin de una evacuacin en una estacin del metro usando buildingEXODUS. Imagen
tomada de la pgina de EXODUS
El programa es capaz de distinguir salidas de emergencia y salidas comunes, tambin puede asignar
salidas de acuerdo al uso
Es posible descargar la versin de prueba [?]. Se puede observar algunos ejemplo de simulaciones en
[?].
B.7. STEPs
STEPs es un paquete de simulacin desarrollado por Matt MacDonald de Inglaterra [?]. Este paquete
ha sido validado contra el NFPA (Standard for Fixed Guideway Transit and Passenger Rail Systems)
en dos casos de estaciones de tren [?]. Para ambos casos STEPs ha sido capaz de reproducir tiempos de
evacuacin comparados con NFPA. STEPs tiene amplias caractersticas para la simulacin de evacuaciones
y tambin estudia movimientos de peatones en situaciones normales es decir en situaciones sin emergencia.
Este paquete es capaz de simular decenas de miles de peatones en una computadora poderosa. Adems,
STEPs es capaz de simular efectos de grupo (como familiares). Tambin puede importar archivos de
AutoCAD , STEPs tiene su propio paquete de diseo.
STEPs simula el comportamiento y movimientos de peatones individualmente. Es posible determinar
detalles de velocidad, talla, niveles de paciencia, trayectoria de los agentes individualmente. La repre-
sentacin grfica de las densidades locales, niveles de uso, uso de las salidas, densidades en regiones
deseadas, tiempo total de evacuaciones, nmero de peatones en cada region, discapacitados y peatones
lentos, registros de trayectorias, movimientos de datos y captura de video en una simulacin son los salidas
disponibles. Adems es posible ver la simulacin en 2D y 3D.
B.8. SimWalk
SimWalk es un paquete de simulacin desarrollado por Savannah Simulations AG, Suiza [?]. Este
paquete puede ser usado para simular situaciones normales y de evacuacin de multitudes. Requiere
definir reas de inicio, puntos intermedios y puntos de salida. SimWalk modela relativamente cantidades
grandes de personas y es usado para en diferentes ingenieras e Institutos de investigacin.
SimWalk proporciona el paquete SimDraw con el cual se puede importar diseos de AutoCAD y crear o
modificar nuevos diseos de entorno. El paquete proporciona pequeas diferencias entre agentes (velocidad
B.9 NOMAD/SimPed 97
Figura B.4: Simulacin de una estacin de tren en situacin normal. Imagen tomada de la simulacin
demo que aporta SimWalk
y movimientos de retrasos).
SimWalk se basa en el modelo de Fuerza Social. Este paquete detalla resultados como cargas en cada
rea, lneas de trayectorias, contadores, informacin de flujo, nivel de servicio, velocidades y tiempos que
toman lo peatones a llegar a su destino, grabacin y reproduccin.
B.9. NOMAD/SimPed
NOMAD y SimPed son paquetes desarrollados por la Universidad Tecnolgica de Delft. NOMAD es un
modelo microscpico para simular el comportamiento peatonal. Este consiste de dos modelos mutuamente
dependientes. EL modelo top-level que predice la actividad de los peatones y la eleccin de reas, as
como la eleccin de rutas en lugares pblicos. El down-level es un modelo usado para describir el
comportamiento al caminar. SimPed es un modelo de simulacin macroscpico creado para describir y
visualizar los patrones de camino de los peatones dentro de las estaciones de transferencia, incluyendo la
interaccin en los vehculos de transporte pblicos. Otra motivacion para desarrollar este modelo es para
estimar la media y la varianza en los tiempos de transferencias de los pasajeros. SimPed contribuye al
anlisis del impacto en el diseo de estaciones y horarios de varios sistemas de transportes pblicos en
flujo peatonal a travs de estaciones de transferencia [?].
Figura B.5: Entorno de simulacin con SimPed. Imagen tomada de la pgina principal de la Universidad
de Delft.
Bibliografa
[1] Zarita Zainuddin, Kumatha Thinakaran y M Abu-Sulyman Ibtesam. Simulating the circumambula-
tion of the kaaba using simwalk. European Journal of Scientific Research, 38(3):454464, 2009.
[2] Siamak Sarmady, Fazila Haron y A. Z. H. Talib. Evaluation of existing software for simulating the
crowd at masjid al-haram. Jurnal Pengurusan JWZH, 1(1):137145, 2007.
[3] Yukun Jiang. Analysis on beijing subway flows during the 29th olympics. Journal of Transportation
Systems Engineering and Information Technology, 8(6):4651, 2008. http://www.sciencedirect.
com/science/article/B8H0W-4VDRVV0-4/2/771665c37a984c27140ae1cad9ea4e75.
[4] Kardi Teknomo. Microscopic Pedestrian Flow Characteristics: Development of an Image Processing
Data Collection and Simulation Model. Tesis, Tohoku University, Japn, marzo 2002.
[5] Winnie Daamen y Serge P. Hoogendoorn. Experimental research on pedestrian walking behavior.
Transportation research record, 1828:2030, 2003.
[6] Dirk Helbing, Ills J. Farkas, Pter Molnr y Tams Vicsek. Pedestrian and evacuation dynamics,
captulo Simulation of pedestrian crowds in normal and evacuation situations, pp 2158. Springer
Verlag, Berln, 2002.
[7] Albert Steiner, Michel Philipp y Alex Schmid. Parameter estimation for a pedestrian simulation
model. Ascona, Suiza, 12-14 septiembre 2007. 7th Swiss Transport Research Conference.
[8] Dirk Helbing y Pter Molnr. Social force model for pedestrian dynamics. Physical Review E,
51:42824286, 1995.
[9] Victor J. Blue y Jeffrey L. Adler. Cellular automata microsimulation for modeling bi-directional
pedestrian walkways. Transportation Research Part B, 35(3):293312, marzo 2001.
[10] Serge P. Hoogendoorn y Piet H. L. Bovy. Simulation of pedestrian flows by optimal control and
differential games. Optimal Control Applications and Methods, 24(3):153172, 2003.
[11] Humbert Klpfel. A cellular automaton model for crowd movement and egress simulation. Tesis
doctoral, University of Duisburg-Essen, Alemania, 2003.
[12] Edward T. Hall. The Silent Language. Garden City, Nueva York, 1959.
[13] Serge P. Hoogendoorn y Winnie Daamen. Traffic and Granular Flow 03, volume 4, captulo Self-
Organization in Pedestrian flow, pp 373382. Springer Berlin Heidelberg, 1st edition, 2005.
99
100 BIBLIOGRAFA
[14] Peter G. Gipps y B. Marksjo. A micro-simulation model for pedestrian flows. Mathematics and
Computers in Simulation, 27:95105, 1985.
[15] Carsten Burstedde, Kai Klauck, Andreas Schadschneider y Johannes Zittartz. Simulation of pedes-
trian dynamics using a two-dimensional cellular automaton. Physica A, 295:507525, 2001.
[16] Hao Yue, Hongzhi Guan, Juan Zhang y Chunfu Shao. Study on bi-direction pedestrian flow using
cellular automata simulation. Physica A, 389:527539, 2010.
[17] Shigeyuki Okazaki y Matsushita Satoshi. A study of simulation model for pedestrian movement
with evacuation and queuing. Proceeding of the International Conference on Engineering for Crowd
Safety, (1):271280, 1993.
[18] W. J. Yu, R. Chen, L. Y. Dong y S. Q. Dai. Centrifugal force model for pedestrian dynamics. Physica
Review E, 72(2):026112026117, agosto 2005.
[19] Mohcine Chraibi, Armin Seyfried, Andreas Schadschneider y Wolfgang Mackens. Quantitative de-
scription of pedestrian dynamics with a force-based model. In WI-IAT 09 Proceedings of the 2009
IEEE/WIC/ACM International Joint Conference on Web Intelligence and Intelligent Agent Tech-
nology, volume 3, Washington, D.C. , Estados Unidos, 2009.
[20] Luis R. Izquierdo, Jos M. Galn, Jos I. Santos y Ricardo del Olmo. Modelado de sistemas complejos
mediante simulacin basada en agentes y mediante dinmica de sistemas. Revista de Metodologa de
Ciencias Sociales, 16:85112, 2008.
[21] G. G. Lovas. Modelling and simulation of pedestrian traffic flow. Transportation research B, 28:429
443, 1994.
[22] Christian Gloor, Laurent Mauron y Kai Nagel. A pedestrian simulation for hiking in the alps. Monte
Verit, Ascona, Suiza, marzo 2003. Swiss Transport Reseach Conference.
[23] Christian Gloor, Duncan Cavens, Eckart Lange, Kai Nagel y Schmid Willy. A Pedestrian Simulation
for Very Large Scale Applications, pp 167188. Number 23. Institute for Computational Science/
Institute for Spatial and Landscape Planning, diciembre 2003.
[24] Christian Gloor, Pascal Stucki y Kai Nagel. Hybrid techniques for pedestrian simulations. In Sloot
Peter M. A., Chopard Bastien y Hoekstra Alfons G., editors, Cellular Automata, volume 3305, pp 581
590, Amsterdam, The Netherlads, octubre 2004. 6th Automata Cellular for Research and Industry
(ACRI 2004), Springer Berln.
[25] Adrien Treuille, Seth Cooper y Zoran Popovi. Continuum crowds. ACM Transactions on Graphics
(TOG), 25(3), 2006.
[26] John M. Usher y Lesley Strawderman. Simulating operational behaviors of pedestrian navigation.
Computers and Industrial Engineering, 59(4):736747, 2010.
[27] Ulrich Weidmann. Transporttechnik der Fugnger. Schriftenreihe des IVT 90, Zrich, Alemania,
1992.
[28] Lewin. Field Theory in Social Science. Harper and Brothers, Nueva York, 1951.
[29] Dirk Helbing. A fluid-dynamic model for the movement of pedestrians. Complex Systems, 6:391415,
1992.
BIBLIOGRAFA 101
[30] A. E. Scheflen y N. Ashcraft. Human Territories: How We Behave in Space-Time. Prentice Hall,
Englewood Cliffs, New Jersey, 1976.
[31] Helbing Dirk Johansson, Anders y Pradyumn Kumar Shukla. Specification of a microscopic pedes-
trian model by evolutionary adjustment to video tracking data. Advances in Complex Systems,
10:271288, 2007.
[32] Pradyumn Kumar Shukla. Modeling and simulation of pedestrians. Tesis de maestra, 2005.
[33] Pradyumn Kumar Shukla. On modeling and evolutionary optimization of nonlinearly coupled pedes-
trian interactions. In Cecilia Di Chio, Stefano Cagnoni, Carlos Cotta, Marc Ebner, Anik Ekrt,
Anna Esparcia-Alcazar, Chi-Keong Goh, Juan Merelo, Ferrante Neri, Mike Preu, Julian Togelius
y Georgios Yannakakis, editors, Applications of Evolutionary Computation, volume 6024 of Lecture
Notes in Computer Science. Springer Berlin.
[34] Dirk Helbing, Ills J. Farkas y Tams Vicsek. Simulating dynamical features of escape panic. Nature,
407:487490, 2000.
[35] Taras I. Lakoba, David J. Kaup y Neal M. Finkelstein. Modifications of the helbing-monr-farkas-
vicsek social force model for pedestrian evolution. Simulation, 81(5):339352, 2005.
[36] Gerald H. Ristow y Hans J. Hermann. Density patterns in two-dimensional hoppers. Physica Review
E, 50:R5R8, 1994.
[37] Daniel R. Parisi, Marcelo Gilman y Herman Moldovan. A modification of the social force model can
repreoduce experimental data of pedestrian flows in normal conditions. Physica A, 388:36003608,
2009.
[38] Jaroslaw Was, Bartlomiej Gudowski y Pawel J. Matuszyk. Social distances model of pedestrian
dynamics. In Yacoubi Chopard B. y Bandini S., editors, Lectures Notes in Computer Science: Pro-
ceeding of 6th International Conference on Cellular Automata in Research and Industry (ACRI),
volume 4173, pp 492501, Berln, 2006. Springer Verlag.
[39] Still G. Keith. Crowd dynamics. Tesis doctoral, University of Warwick, Reino Unido, agosto 2000.
[40] Le Roy F. Henderson. The statistics of crow fluids. Nature, (229):381383, 1971.
[41] F. P. D. Navin y R. J. Wheeler. Pedestrian flow characteristics. Traffic Enginnering, 39:3033, 1969.
[42] Dirk Helbing y Vicsek T. Optimal self-organization. New Journal of Physics, 1:13.113.17, 1999.
[43] Armin Seyfried, Bernhard Steffen, Wolfram Klingsch, Thomas Lippert y Maik Boltes. The fun-
damental diagram of pedestrian movement revisited-empirical results and modelling. In Andreas
Schadschneider, Thorsten Pschel, Reinhart Khne, Michael Schreckenberg y Dietrich E. Wolf, edi-
tors, Traffic and Granular Flow05, pp 305314. Springer Berlin Heidelberg, 2007.
[44] Armin Seyfried, Steffen y Thomas Lippert. Basic of modeling the pedestrian flow. Physica A,
368:232238, 2006.
[45] J. Von Neumann. Theory of self-reproducing automata. University of Illinois Press, Londres, 1966.
[46] Martin Gardner. Mathematical games: The fantastic combinations of john conways new solitaire
game of life. Sientific American, 223(4):120123, 1970.
102 BIBLIOGRAFA
[47] Suchindran Maniccam. Traffic jamming on hexagonal lattice. Physica A, (321):653664, agosto 2003.
[48] Hao Yue, Herui Hao, Xiaoming Chen y Chunfu Shao. Simulation of pedestrian flow on square lattice
based on cellular automata model. Physica A, 384:567588, 2007.
[49] Katsutoshi Narimatsu, Toshihiko Shiraishi y Shin Morishita. Acquisiting of local neighbor rules in the
simulation of pedestrian flow by cellular automata. In Sloot P. M. A, Chopard B. y Hoekstra A. G.,
editors, Lectures Notes in Computer Science: Proceeding of 6th International Conference on Cellular
Automata in Research and Industry (ACRI), volume 3305, pp 211219, Berln, 2004. Springer Verlag.
[50] Gerd Gigerenzer, Peter M. Todd y ABC research group. Simple Heuristics that make us Smart.
Oxford University Press, Nueva York, 1999.
[51] Pascal Stucki. Obstacles in pedestrian simulations. Masters thesis, ETH Zrich, Zrich, 2003.
[52] National Fire Protection Association. SFPE Handbook of Fire Protection Engineering, 2nd edition
edition, 1995.
[53] Victor J. Blue y Jeffrey L. Adler. Emergent fundamental pedestrian flows from cellular automata
microsimulation. Transportation Research Board Record, 1644:2936, 1998.
[54] Marcus Rickert, Kai Nagel, Michael Schreckenberg y Andreas Latour. Two-lane traffic simulations
using cellular automata. Physica A, 231:534550, 1995.
[55] Victor J. Blue y Jeffrey L. Adler. Cellular automata microsimulation of bi-directional pedestrian flows.
Journal Transportation Research Board, 1678:135141, 1999a. http://www.ulster.net/~vjblue/
CA-TRB99.pdf.
[56] Ernest J. McCormick. Ergonomia. Factores Humanos en Ingenieria y Diseo, captulo Antropometria
aplicada y espacio de trabajo. Gustavo Gili, Barcelona, 1980.
[57] Peter Thompson, Hakan Lindstrm, Per-Anders Ohlsson y Stephen Thompson. Simulex: Analysis and
changes for imo compliance. In Edwin R. Galea, editor, Proceedings of 2nd International Conference:
Pedestrian and Evacuation Dynamics, pp 173184, Londres, UK, agosto 2003. CMS Press.
[58] Simulex: software para simulacin del trfico peatonal, ltima consulta: 15 de junio del 2011. http:
//www.iesve.com/Software/VE-Pro/Simulex.
[59] P. A. Olsson y M. A. Regan. A comparison between actual and predicted evacuation times. Safety
Science, 38(2):139145, Julio 2001.
[60] Pedgo: software para simulacin del trfico peatonal, ltima consulta: 15 de junio del 2011. http:
//www.traffgo-ht.com/en/pedestrians/products/pedgo/index.html.
[61] Hubert Klpfel. The simulation of crowds at very large events. In Andreas Schadschneider, Reinhart
Khne, Thorsten Pschel, Michael Schreckenberg y Dietrich E. Wolf, editors, Traffic and Granular
Flow 05. Springer, 2006.
[62] Erica Dawn Kuligowski. The evaluation of a a performance based design process for hotel building:
The comparation fo two egress models. Tesis de maestra, University of Maryland, 2003.
[63] Guanquan Chu, Jinhua Sun, Qingsong Wang y Sining Chen. Simulation study on the effect of
pre-evacuation time and exit width on evacuation. Chinese Science Bulletin, 51:13811388, 2006.
BIBLIOGRAFA 103
[64] M. Bensilum y David A. Purser. Grid flow: An object-oriented building evacuation model combining
pre-movement and movement behaviours for performance-based design. Fire Safety Science, 7:941
952, 2003.
[65] Gridflow: software para simulacin del trfico peatonal, ltima consulta: 15 de junio del 2011. http:
//www.bre.co.uk/page.jsp?id=269.
[66] V. Schneider y R. Konnecke, editors. Simulating Evacuation Processes with ASERI, 2001.
[67] Aseri: software para simulacin del trfico peatonal, ltima consulta: 15 de junio del 2011. http:
//www.ist-net.de/.
[68] Legion: software de simulacin, ltima consulta: 13 de diciembre de 2009. http://www.legion.com.
[69] Exodus: software para simulacin del trfico peatonal, ltima consulta: 15 de junio del 2011. http:
//fseg.gre.ac.uk/exodus/exodus_products.html.
[70] Animaciones del software para simulacin del trfico peatonal exodus, ltima consulta: 15 de junio
del 2011. http://fseg.gre.ac.uk/fire/EXODUS_animations.asp.
[71] Steps: software para simulacin del trfico peatonal, ltima consulta: 15 de junio del 2011. http:
//www.mottmac.com/skillsandservices/software/stepssoftware/.
[72] NFPA 130: Standard for Fixed Guideway Transit and Passenger Rail Systems. National fire protection
association, Quincy Massachusetts, 2000 edition, 2000.
[73] SimWalk: Sofware de simulacin, ltima consulta: 13 de diciembre de 2009. http://www.simwalk.

com.
[74] Simped: software para simulacin del trfico peatonal, ltima consulta: 15 de junio del 2011. http:
//www.tudelft.nl/live/pagina.jsp?id=d95d3a14-3d74-4eb0-b9f6-66f321e98aac&lang=en.
Casa abierta al tiempo Fecha 09/12/2011
Pgina 1/1
UNIVERSIDAD AUTONOMA METROPOLITANA
CONSTANCIA DE PRESENTACION DE EXAMEN DE GRADO
La Universidad Autnoma Metropolitana extiende la presente CONSTANCIA DE

PRESENTACION DE EXAMEN DE GRADO de MAESTRO EN CIENCIAS (MATEMTICAS APLICADAS E
INDUSTRIALES) del alumno JORGE DANIEL GONZALEZ AROSTICO, matrcula 208381818,
quien cumpli con los 147 crditos correspondientes a las unidades de enseanza
aprendizaje del plan de estudio. Con fecha trece de diciembre del 2011 present
la DEFENSA de su EXAMEN DE GRADO cuya denominacin es:
ESTUDIOS DE MODELOS PARA TRAFICO PEATONAL Y SU APLICACION A PASILLOS EN

DIFERENTES ESCENARIOS
Cabe mencionar que la aprobacin tiene un valor de 60 crditos y el programa

consta de 207 crditos.
El jurado del examen ha tenido a bien otorgarle la calificacin de:
_Aprobar
JURADO
Presidente Secretaria
DR. JOAQUIN DELGADO FERNANDEZ
Vocal
DRA.-..;.~ LARRAGA RAMIREZ
UNIDAD IZTAPALAPA
Coordinacin de Sistemas Escolares
Av. San Rafael Atlixco 186, Col. Vicentina, Mxico, DF, CP 09340 Apdo. Postal 5553209000, Tels. 5804-4880 y 58044883 Fax: 5804-4876
!X\
Casa abierta al tiempo
ACTA DE EXAMEN DE GRADO
No. 00068
UNIVERSIDAD AUTNOMA METROPOLITANA
Matricula: 208381818
ESTUDIOS DE MODELOS PARA

TRAFICO PEATONAL Y SU En Mxico, D.F., se presentaron a las 10:30 horas del da
APLICACION A PASILLOS EN 13 del mes de diciembre del ao 2011 en la Unidad
DIFERENTES ESCENARIOS Iztapalapa de la Universidad Autnoma Metropolitana, los
suscritos miembros del jurado:
DR. JOAQUIN DELGADO FERNANDEZ

DRA. MARIA ELENA LARRAGA RAMIREZ
DRA. PATRICIA SAAVEDRA BARRERA
Bajo la Presidencia del primero y con carcter de

Secretaria la ltima, se reunieron para proceder al Examen
de Grado cuya denominacin aparece al margen, para la
...
o
o
~ t...: obtencin del grado de:
MAESTRO EN CIENCIAS (MATEMTICAS APLICADAS E INDUSTRIALES)

.....
o
o
o
....o
o
DE: JORGE DANIEL GONZALEZ AROSTICO
o
....o
.... ...
y de acuerdo con el artculo 78 fraccin 111 del
o
. Reglamento de Estudios Superiores de .la Universidad
.... o
Autnoma Metropolitana,
resolvieron:
los miembros del jurado
..
Ap'fO ba. r
Acto continuo, el presidente del jurado comunic al
interesado el resultado de la evaluacin y, en caso
aprobatorio, le fue tomada la protesta.
DR.
SECRETARIA
ORA. MARIA ELENA LARRAGA RAMIREZ g~~s~~

Gonzalez JD Tesistrafico Peatones

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Gonzalez JD Tesistrafico Peatones

Uploaded by

Copyright:

Available Formats

Estudio de modelos para trfico peatonal y su

aplicacin a pasillos en diferentes escenarios

Directora de Tesis: Dra. Mara Luisa Sandoval Sols

Divisin de Ciencias Bsicas e Ingeniera

Mxico, D.F., a 13 de diciembre del 2011.

Divisin de Ciencias Bsicas e Ingeniera

Estudio de modelos para trfico peatonal y

Directora de Tesis: Dra. Mara Luisa Sandoval Sols

Mxico, D.F., a 13 de diciembre del 2011.

Mxico, DF., Diciembre de 2011.

Esta tesis esta dedicada a mi preciosa madre.

No es la mano gentil de tu madre la que corre las cortinas, y

3. Operativo: ejecuta las decisiones instantneas acorde a lo planeado en el nivel tctico.

xt+1 = f (xt , ) (1.1)

3. Modelos basados en agentes: se trata de entidades con un comportamiento propio. Desarrollados

Flujo libre Congestin

Figura 1.2: Diagrama fundamental sobre un pasillo de Weidmann: Flujo vs densidad

1.2. Estructura de la tesis

Finalmente, en el Anexo B se presenta una recopilacin de paquetes de simulacin de trfico peatonal

3. Siempre tratan de minimizar su esfuerzo para llegar a su destino.

2. La interaccin entre personas es de naturaleza fsica, empujndose unas a otras.

Analoga con gases, fluidos y medios granulares

2. Entre flujos bidireccionales se observa un contacto un tanto viscoso.

4. Similar al fenmeno de segregacin o estratificacin en medios granulares, los peatones se organizan

6. La propagacin ondas de choque en multitudes de personas empujndose hacia delante.

7. La obstruccin de salidas, en multitudes en pnico, es similar a la salida de medios granulares a

2.1.2. Ideas bsicas

Un cuerpo en reposo o en movimiento rectilneo uniforme per-

Cuando a un cuerpo se le aplica una fuerza constante, la ace-

A todo fuerza de accin se opone otra de igual magnitud en la

donde F denota la fuerza de movimiento en direccin al siguiente objetivo intermedio, F representa la

2.2.1. Fuerza de movimiento

recordemos que la velocidad v es una cantidad vectorial y la rapidez es la magnitud de la velocidad

2.2.2. Fuerza de repulsin a muros

Fw (t) = dw Uw (||dw ||) (2.8)

Uw (||dw ||) = m Aw e||dw ||/Bw (2.9)

donde Aw es la intensidad de interaccin entre el borde y al peatn, es decir determina el impacto de la

2.2.3. Fuerza de atraccin a objetos

fw (||dg ||) = dg Wg (||dg ||) (2.11)

Fg (t) = m W (g )fg (||dg ||) (2.12)

2.2.4. Fuerza de repulsin entre personas

F (t) = m W ( )g(d (t)) (2.13)

g(d ) = d V (b(d )) (2.14)

Figura 2.2: lgulo formado entre distancia del y y la direccin de movimiento de .

2.2.5. Tipos de especificaciones

donde A es la intensidad de interaccin entre los peatnes y , y B es el rango de interaccin.

La primera formulacin y la ms sencilla, se llama especificacin circular, tomando como parmetro

Figura 2.3: Elementos de la elipse donde se basa la especificacin elptica.

Antes de obtener la cantidad de repulsin para la especificacin elptica I, desarrollaremos

Puesto que el gradiente es lneal, se obtiene

d (||d || + ||d v te ||) = d (||d ||) + d (||d v te ||)

Utilizando los clculos anteriores y la regla de la cadena se desarrolla fcilmente d b (d ), luego

1 2 (||d || + ||d v te ||)

Finalmente, sustituyendo la ecuacin anterior en la ecuacin (??) obtenemos

sustituyendo la siguiente igualdad para la derivacin del potencial.

Comparacin entre especificaciones

(a) Caso 1 (b) Caso 2

Figura 2.7: Ilustra como el peatn camina a diferentes velocidades en direccin a

Nueva especificacin elptica

por medio de la derivacin del potencial obtenemos

2.3. Modificacin del modelo

2.3.1. Fuerza granular

donde la funcin (z) es igual a z, si z 0, y 0 en otro caso. Adems et = (n2 , n1 ) es el vector